① 网课笔记怎么做
抓住重点，详细捕捉。我记笔记时会先把老师板书的重点内容记下来。然后，在听课过程中补充一些细节性的知识。另外，详细记下没有听懂的内容，进行标注，方便下课之后再进行学习。
整理笔记可以让我在复习备考时更准确地抓住重点，更轻松自信地度过充满压力的期末复习时间。每次看着自己满满的笔记本，也会拥有满满的成就感！
上课记录笔记尤为重要的一点是：不要为了记笔记而耽误了听课。你可以先用简单的几个字先代替，下课时再补全内容。同时，笔记是让我们更好梳理知识点的一个工具，所以要条理清晰，适当运用标记或不同颜色区分笔记重点。
除此之外，做笔记也要成就自己的一套体系。我们可以选择用笔记本，也可以写在书上，只要将知识点记录清楚即可。相对而言，我更喜欢把笔记写在书上，因为这可以结合书上的一些例题来更好地掌握知识。
在专注听讲的前提下才能做好笔记。课上，我会在书上简略地做笔记（比如划线、写关键词等），用拍照、截图等方式记录老师讲解的PPT；课后，我会重新整理笔记，把重要的知识点归纳进笔记本。
这样就可以有效避免在课上花大量时间记笔记而忽略了课堂内容。再次记笔记会在心中重新捋顺逻辑，便于思维导图的构建。
笔记在提高学习专注度的同时，还为课后巩固和期末复习打下了坚实基础。
对于自己做笔记的心得，其一，选择适合自己的笔记本。我向大家推荐每一页都是独立的活页本，不仅可以减少上课携带的笔记本的数量，还可以在课程结束后将笔记订装成册，而且未用完的纸张还可以留着以后用。其二，对笔记内容进行排版，提升其层次感。比如标注出不同层次的标题，并使用不同的格式等。其三，突出重点以便记忆。对于老师课堂上提出的重难点知识，我们可以用不同颜色的笔或者画符号标记出来，必要的时候可以在旁边记录一些案例，这样便会提高学习效率。
在学习时，我会通过以下几个方法做笔记。首先，重点不同，标注不同。我会将书本和PPT上没有的内容做好记录，将老师说的重点、自己不懂的知识点、经过思考后才明白的知识点分别做不同记号。其次，课后整理笔记。听课过程中，我会在自己脑海形成知识体系，课后再梳理笔记。最后，利用框架巩固复习。在掌握所有知识的前提下，写出一个简洁的知识框架，下次复习时看着它联想知识点，以此查缺补漏。
每个人记笔记都有不同的方法，我的方法也仅供大家参考，毕竟适合自己的方式才是最好的！
② 残差网络ResNet笔记
作者根据输入将层表示为学习 残差函数 。实验表明，残差网络更容易优化，并且能够通过增加相当的深度来提高准确率。
核心是解决了增加深度带来的副作用（退化问题），这样能够通过单纯地增加网络深度，来提高网络性能。
网络的深度为什么重要？
因为CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。
为什么不能简单地增加网络层数？
怎么解决退化问题？
深度残差网络。如果深层网络的后面那些层是恒等映射，那么模型就退化为一个浅层网络。那现在要解决的就是学习恒等映射函数了。 但是直接让一些层去拟合一个潜在的恒等映射函数H(x) = x，比较困难，这可能就是深层网络难以训练的原因。但是，如果把网络设计为H(x) = F(x) + x,如下图。我们可以转换为学习一个残差函数F(x) = H(x) - x. 只要F(x)=0，就构成了一个恒等映射H(x) = x. 而且，拟合残差肯定更加容易。
其他的参考解释
这种残差学习结构可以通过前向神经网络+shortcut连接实现，如结构图所示。而且shortcut连接相当于简单执行了同等映射，不会产生额外的参数，也不会增加计算复杂度。 而且，整个网络可以依旧通过端到端的反向传播训练。
ImageNet上的实验证明了作者提出的加深的残差网络能够比简单叠加层生产的深度网络更容易优化，而且，因为深度的增加，结果得到了明显提升。另外在CIFAR-10数据集上相似的结果以及一系列大赛的第一名结果表明ResNet是一个通用的方法。
F(x)与x相加就是就是逐元素相加，但是如果两者维度不同，需要给x执行一个线性映射来匹配维度：
用来学习残差的网络层数应当大于1，否则退化为线性。文章实验了layers = 2或3，更多的层也是可行的。
用卷积层进行残差学习： 以上的公式表示为了简化，都是基于全连接层的，实际上当然可以用于卷积层。加法随之变为对应channel间的两个feature map逐元素相加。
key point：
key point：