在深度学习实验中，可视化是一个非常重要的过程。wandb则是一个轻量级的工具，用于深度学习实验跟踪和可视化，我们可以非常方便地将其集成到现有的框架当中，得到较好的可视化结果。本篇主要介绍了wandb的简单使用方式，以及如何使用sweep进行参数搜索。

本篇主要介绍了卷积神经网络，包括基础概念和原理，相关的卷积层，Pooling池化层以及Batch Normalization层等。最后介绍了一些经典的卷积网络结构，包括LeNet、AlexNet、VGG、NiN、GoogLeNet和ResNet等。

Python中的标准日志模块是logging，利用相关配置，我们可以做到一系列日志操作。而loguru是一个第三方日志记录package，相比于原始的logging，它提供了更加简单的使用方式，同时提供许多高效的功能。本篇主要介绍loguru的使用方法，以及它相对于Python标准日志模块logging的方便之处。

本篇主要介绍了现代摄影设备的一些简单成像相关知识，包括相机构成以及原理，光场概念等。本篇知识较为分散，属于一些基础的杂项知识。

本篇主要介绍了光线追踪的基本概念。包括光追引入，基础Ray Tracing，Whitted-Style Ray Tracing。为了更加真实的描述光线的作用方式，我们介绍了辐射度量学Radiometry，同时推出最终渲染方程。为了解这个渲染方程，我们介绍了路径追踪算法，并从最初的想法一步步改进到最终结果。

本篇主要介绍了计算机图形学中的几何表示，分为隐式表达和显式表达。然后介绍了曲线和曲面，包括贝塞尔曲线、曲面细分、曲面简化等。

本篇主要介绍了光栅化、着色、纹理映射等知识。光栅化完成的是将3D Model以某个分辨率绘制在屏幕上的过程；着色则指的是根据不同物体的材质和光照，进行不同效果呈现；纹理映射则完成了物体不同位置不同属性的定义。此外，还有关于图形管线，重心坐标和Shadow Mapping的简单介绍。

本系列为Games101的学习笔记。本篇主要介绍了计算机图形学中的线性代数基础以及变换的操作。其中重点在于变换Transformation，包括2D变换的介绍，齐次坐标的引入以及推广到3D变换。最后介绍了图形学中的MVP Transformation，即模型变换、视角变换和投影变换。通过MVP变换，我们可以将空间坐标系中任意的Model缩放到一个标准立方体中，便于后续的处理。

本篇主要是利用之前学过的知识，完整地完成一次预测任务。本篇不涉及相关的概念和理论的描述，仅包含代码的相关讲解。

本篇主要介绍了前馈神经网络，又称多层感知机的基本实现，以及一些正则化手段的实现，包括权重衰退和Dropout。注意本篇基本均为使用方面的记录，并没有涉及很多的理论知识，理论知识可以参考机器学习基础系列中与神经网络相关的文章。