适合人群：
在校学生：如果你是在校学生，对AI有浓厚兴趣，并希望通过学习相关内容增强自己的实践能力，以便在未来的实习或工作中脱颖而出，那么大模型的知识将是你简历上的一大亮点。
职场新人：对于那些刚刚步入职场不久的同学，如果你想通过掌握大模型技术来提升自己的职业竞争力，无论是为了升职加薪还是寻求更好的职业发展机会，这部分内容都将是你的宝贵资产。
追求效率者：如果你希望通过“偷懒”来节省时间，获取整理好的大模型面试资料和信息，以便更高效地准备面试或学习，那么这些资源将是你的得力助手。
经验交流者：渴望与行业内的专业人士近距离交流，汲取更多实战经验，获取第一手行业信息的人群，也将从这些内容中受益匪浅。
不适合人群：
自主学习强者：对于那些已经拥有强大自我学习能力，能够独立完成AI相关知识学习的人来说，这些额外的帮助可能不是必需的。 非AI领域人士：如果你不准备进入AI相关领域，或者对AI学习没有兴趣，那么这部分内容可能并不适合你。
残差块（Residual Block）是ResNet的基本构建单元，其设计原理在于通过跨层连接（Skip Connection）将输入直接映射到输出，与经过一系列变换后的输出相加，形成最终的输出。这种设计使得网络在训练过程中能够更容易地传递梯度，从而解决梯度消失问题。
卷积层：用于特征提取，通常包含多个卷积操作。
批量归一化（Batch Normalization）：用于加速训练过程，改善模型泛化能力。
激活函数：如ReLU（Rectified Linear Unit），用于增加非线性映射能力。
跨层连接：直接将输入与经过变换的输出相加，形成残差块的最终输出。
以下是ResNet在计算机视觉中的3个主要应用：
目标检测（Object Detection）：在目标检测任务中，ResNet能够有效地提取图像中的目标特征，并结合区域提议网络（RPN）等方法，实现对图像中多个目标的准确检测和定位。
图像分割（Image Segmentation）：对于图像分割任务，ResNet通过其强大的特征提取能力，能够实现对图像中不同区域的精细分割，为医学影像分析、自动驾驶等领域的应用提供了重要支持。
