年轻人起来冲

RepVGG 为了解决原始 VGGNet 网络模型较大、不便于部署以及性能比较差问题，训练时在 VGG 网络的 Block 块中加入了 Identity 和残差分支，解决性能差的问题。推理时通过 “结构重参数化” 将所有的网络层都转换为 Conv3x3，便于网络的部署和加速

基于 ResNeXt，将输入特征进行分组，并在不同分支之间设计不同深度的卷积，以实现不同分支不同感受野的目标，最终可以提升网络对多尺度目标的兼容性

论文提出了一种新的网络设计范式，和以往研究不同的是他们没有专注于设计单个网络实例，而是设计出了参数化网络群的网络设计空间。这种新的网络设计范式结合了神经框架搜索 (NAS) 和手工设计网络的优点，精度和速度全面超越了 EfficientNet

本文通过比较对 Python 的 list、dict、tuple 应用 sort、sorted 函数的效果，并展示多关键字排序的使用

OverFeat 是 CNN 用来进行目标检测的早期工作，主要思想是采用多尺度滑动窗口来做分类、定位和检测，虽然是多个任务，但重用了模型前面几层，这种模型重用的思路也是后来 R-CNN 系列不断沿用和改进的经典做法

经常听到 cpython 的概念，这个概念和 python 有什么联系呢？

通过引入子网络结构代替纯卷积中的线性映射部分，替换传统卷积模式 (卷积 + 激活 + Dropout) 的卷积方式；结尾使用全局池化替代 Dropout，提高泛化能力的同时，减小网络

碰到 Python 使用的新概念：异步编程 asyncio 库，这个和多线程编程的 threading 有什么区别呢？

MobileNetv2 在 MobileNetv1 的基础上，借鉴残差网络的思想，设计出 “倒残差” 瓶颈结构，使得网络更轻量高效

在 VGG 的基础上，引入深度可分离卷积，降低模型参数量；并设计宽度因子、分辨率因子控制整个网络的规模