我们并不使用当前最新的Python版本，主要是因为新版本的Python关联的第三方库内容十分庞大，无法在短时间内及时更新到最新的版本，因此我们使用较为稳定的Python 3.7到Python 3.9版本。有的可能电脑中不只一个Python或者下了Anaconda（Anaconda自带对应版本的Python），终端中出现的可能不是对应版本的Python，我们只需更改一下环境变量的上下位置就行。首先，

NVIDIA 显卡中的运算平台是 CUDA，不过，即使您的计算机有 NVIDIA 显卡，但您的显卡中也不一定含有 CUDA，没有的话就要下载 CUDA。电脑支持的最高版本的CUDA是由显卡驱动决定的，如果您想下载高版本的CUDA要更新显卡驱动，显卡驱动如何更新与本文无关，这里不赘述，可以自行查找相关教程。】，选择cuda 12.1 版本的，如图，请注意，这里使用 pip 安装，而不是 conda

在计算机视觉领域，人脸检测是人脸识别、表情分析、疲劳监测等应用的基础步骤。本文结合 OpenCV 与 Dlib 两大工具库，从环境配置到实战代码，手把手教你实现高效的人脸检测，尤其适合刚入门计算机视觉的开发者。

当预设策略无法满足需求时，可通过LambdaLR自定义学习率调整规则，支持为不同层设置不同学习率（如微调预训练 CNN 时，对浅层和深层采用不同学习率）。原理：通过lr_lambda函数定义学习率与 epoch 的关系，函数输入为当前 epoch，输出为学习率调整倍数。适用场景迁移学习中，对预训练层（如 ResNet 的 conv1-conv4）用小学习率微调，对新增全连接层用大学习率训练；需特殊

在计算机视觉领域，人脸识别是最经典且实用的技术之一。OpenCV 提供了 LBPH、EigenFaces、FisherFaces 三种成熟的人脸识别算法，无需复杂的深度学习框架，仅用传统机器学习就能实现高效人脸匹配。

在深度学习领域，PyTorch 凭借动态图机制、简洁 API 和灵活的模型构建方式，成为初学者入门与科研落地的优选框架。本文以 MNIST 手写数字识别任务为核心，结合完整 PyTorch 代码与关键理论知识，从数据加载、模型构建到训练测试，带你掌握 PyTorch 深度学习实战的核心流程。

NVIDIA 显卡中的运算平台是 CUDA，不过，即使您的计算机有 NVIDIA 显卡，但您的显卡中也不一定含有 CUDA，没有的话就要下载 CUDA。），它是可以向下兼容的。电脑支持的最高版本的CUDA是由显卡驱动决定的，如果您想下载高版本的CUDA要更新显卡驱动，显卡驱动如何更新与本文无关，这里不赘述，可以自行查找相关教程。】，选择cuda 12.1 版本的，如图，请注意，这里使用 pip 安

由于多层神经网络的损失函数是复合函数，需要使用链式法则（即先计算输出层的梯度，再逐步推导隐藏层、输入层的梯度）。因为如果只有线性计算，无论神经网络有多少层，最终的输出仍然是输入的线性组合，无法处理复杂的非线性问题（如图像中的边缘、纹理等特征）。需要注意的是，感知器只能处理线性可分的数据（如用一条直线就能将两类数据分开的情况），无法处理非线性可分问题（如异或问题）。神经元是神经网络的最小单位，其核心

在深度学习领域，PyTorch 凭借动态图机制、简洁 API 和灵活的模型构建方式，成为初学者入门与科研落地的优选框架。本文以 MNIST 手写数字识别任务为核心，结合完整 PyTorch 代码与关键理论知识，从数据加载、模型构建到训练测试，带你掌握 PyTorch 深度学习实战的核心流程。

卷积就是拿图像局部窗口的数，和卷积核（Filter）做内积 —— 也就是对应元素相乘再相加。卷积核是一组固定权重的小矩阵，就像 “特征探测器”，不同的卷积核能提取不同的特征，比如检测边缘、让图像变模糊等。把卷积核的中心对准输入图像的某个像素，然后把这个像素和周围像素的数值，跟卷积核的权重分别相乘，再把结果加起来，就是输出的像素值；举个例子：输入图像某区域的像素是 [1,2;0,1]，卷积核是 [0