注意力模块笔记：形状不变，不等于接上就一定有效

SE、CBAM、ECA 都能用于调整 CNN 的中间特征，但“即插即用”只说明接口容易对接，不是效果保证。先把维度和成本算清楚，再设计实验，比先叠模块更重要。 三种模块分别在调整什么 以 B × C × H × W 特征为例： 模块 权重形状的典型形式 主要操作 SE B × C × 1 × 1 汇

迁移学习笔记：冻结骨干之前，先检查参数、模式和预处理

换一个分类头不等于完成迁移学习。一次实验至少有三份需要分别核对的状态：哪些参数可以训练、哪些模块处于训练模式、图像怎样进入网络。 骨干网络解决什么问题 骨干把图像变成可供后续任务使用的特征。分类头、检测头和分割解码器的输出目标不同，不能只替换输出维数就默认其他设置完全通用。ResNet 的残差连接可

卷积层学习笔记：先算清形状和参数，再理解特征

阅读 CNN 代码时，我先给每个张量写下形状，再检查卷积核、步长和通道数。这样比只记“提取局部特征”更容易发现实现错误。 四个维度分别是什么 PyTorch 的常见输入排列是 (N, C, H, W)：批大小、通道数、高度、宽度。普通二维卷积的权重排列为 (C_out, C_in / groups,