ResNet的数学分析【深度学习中的数学ep8】
Transformer为什么会比CNN好
为什么Transformer会好于ResNet，从Lipschitz常量讲起【深度学习中的数学ep10】
【沈向洋带你读论文】Swin Transformer 马尔奖论文（ICCV 2021最佳论文）
张祥雨：Transformer究竟做对了什么，CNN能不能从中学习？
深度学习中的矩阵求导基础【深度学习中的数学ep1】
Transformer对时序预测真的有效吗? | AAAI'23 Oral
深度学习优化基础：从泰勒展开到梯度下降法和牛顿法【深度学习中的数学ep4】
【沈向洋带你读论文】张祥雨解读RepLKNet：重新审视CNN中的大卷积核问题【计算机视觉】【模型架构】
【沈向洋带你读论文】HRNet 高分辨率表征学习
6分钟听懂Swin Transformer V2【CVPR2022 Oral】
【沈向洋带你读论文】Dynamic Head——首次突破COCO单模型测试60AP大关
self-attention完整求导公式 [Transformer中的数学part29]
SGD and Adam in Transformer[Transformer中的数学part36]
FC层和LN层该如何求导？【深度学习中的数学ep2】
当FFN遇上Normalization[Transformer中的数学part37]
代码验证理论 (6)[Transformer中的数学part47]
【沈向洋带你读论文】Transformers 在图学习表征方面真的表现不佳吗？【Transformers】【图学习】
五种不同的Normalization[Transformer中的数学part39]
注意力稀疏化原理 [Transformer中的数学part34]
