'''定义神经网络 类的继承这种方式'''#类就是将多个函数打包到一起，当我们创建一个类的时候，会自动创建一个名为self的共享空间。例如当执行 self.flatten = nn.Flatten()#这个语句的时候，我们就会在self中创建一个空间内容，这个空间叫做flatten，它的内容就是nn.Flatten()；class NeuralNetwork(nn.Module):#nn.Modu

MNIST数据集是机器学习领域中非常经典的图像数据集，它包含了70,000张手写数字图像，其中60,000张用于训练，10,000张用于测试。这些图像均为灰度图，尺寸是28×28像素，并且已经进行了居中处理，大大减少了预处理的工作量，同时也加快了模型的运行速度。在本文的实战中，MNIST数据集将作为我们训练和测试残差网络的“战场”。# 模块搭建# 网络搭建return x在上述代码中，首先定义了R

CBOW（Continuous Bag-of-Words）模型是一种用于生成词向量的神经网络模型，它基于上下文预测目标词。其核心思想是：给定一个目标词的上下文单词，通过模型预测该目标词。在训练过程中，模型会不断调整参数，使得预测结果尽可能接近真实的目标词，最终训练得到的词向量能够捕捉单词之间的语义关系。

逻辑回归是一种预测分类结果的线性模型。它使用逻辑函数（通常是Sigmoid函数）来将线性模型的输出转换为概率。逻辑回归的目标是最小化预测概率和实际标签之间的误差，这通常通过梯度下降等优化算法实现。在许多实际应用中，数据集往往是不平衡的，即某些类别的样本数量远多于其他类别。这种不平衡可能导致模型偏向于多数类，从而影响少数类的预测性能。下采样是一种处理不平衡数据集的方法，通过减少多数类的样本来平衡数据

knn全称是k-nearest neighbors，通过寻找k个距离最近的数据，来确定当前数据值的大小或类别。是机器学习中最为简单和经典的一个算法。

这段代码的主要功能是搭建一个基于 Flask 的 Web 服务，用于接收客户端发送的图像数据，使用预训练的 PyTorch 模型对图像进行分类预测，并将预测结果以 JSON 格式返回给客户端。：使用 Flask 的装饰器定义一个路由，当客户端向/predict路径发送 POST 请求时，会调用predict函数。：初始化一个字典，用于存储预测结果和状态信息，初始状态为。：检查请求方法是否为 POS

这段代码的主要功能是搭建一个基于 Flask 的 Web 服务，用于接收客户端发送的图像数据，使用预训练的 PyTorch 模型对图像进行分类预测，并将预测结果以 JSON 格式返回给客户端。：使用 Flask 的装饰器定义一个路由，当客户端向/predict路径发送 POST 请求时，会调用predict函数。：初始化一个字典，用于存储预测结果和状态信息，初始状态为。：检查请求方法是否为 POS

SVM的核心目标是在特征空间中找到一个超平面，该超平面能够将不同类别的数据点尽可能清晰地分隔开来，并且使分隔的间隔达到最大。wTxb0wTxb0，其中www是权重向量，决定了超平面的方向，bbb是偏置项，决定了超平面的位置。在二维空间中，超平面就是一条直线；在三维空间中，超平面是一个平面；而在更高维度的空间中，超平面是一个具有高维几何特性的决策边界。那些距离超平面最近且恰好位于间隔边界上的数据点，

from torch.utils.data import Dataset,DataLoader #用于处理数据集data_transforms = {#字典'train':transforms.Compose([#对图片做预处理的，组合transforms.Resize([256,256]),#数据进行改变大小transforms.ToTensor(),#数据转换为tensor，默认把通道维度放在

DBSCAN 的优点和缺点优点：不需要预先指定簇的数量。能够发现任意形状的簇。对噪声数据不敏感。能够识别出噪声点。缺点：需要选择两个参数领域半径(eps)和最小样本数(min_samples)，这可能需要一些实验来确定最佳值。对于密度差异很大的数据集，可能难以找到合适的 ε 和 MinPts。如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差。