讲到这里，我们其实已经摸到了卷积神经网络的“骨架”：它为什么被造出来，以及它最底层的设计哲学——用局部连接、权值共享和层级抽象，来模拟生物视觉系统处理信息的方式。你在左上角学到的“横线”特征，在右下角同样有用——这就是卷积核“权值共享”的思想，也是它比全连接网络高效的根本原因。但这些“特征”在你脑子里，是经过了几十年进化，天生就会的。下篇里，我们不光会聊聊卷积神经网络的几种经典“类型”，还会讲清楚

问题是，你从网上扒拉下来的那些数据，啥玩意儿都有：营销号瞎编的文章、评论区对骂的脏话、复制粘贴的重复内容、还有一堆乱码和广告……直接拿这些脏数据喂AI，喂出来的就不是GPT，而是“街溜子”——满嘴跑火车，三观还不正。数据清洗，干的就是这个活。互联网上的原始数据，就是那堆刚从地里拔出来的菜——带着泥、带着虫、带着烂叶子。营销号写的“震惊体”文章，标题党，内容空洞，就为骗点击；所以，数据清洗就是一套“

垃圾邮件的套路一天变八回，今天用“恭喜中奖”，明天变成“恭喜您获得大奖”，后天又换成“您有一笔待领取奖金”。”指几次之后，小孩自己就明白了——哦，毛茸茸的、有尾巴的、会发出呼噜声的那个东西，叫猫。当然，实际的机器学习比这复杂得多——它要考虑“这个公式准不准”“会不会过拟合”“数据够不够”等等问题。最简单的办法是：你写一万条规则——有胡子的是猫，会喵喵叫的是猫，喜欢踩键盘的是猫……到这里，你可能已经

智能体在环境里做动作，环境根据动作的好坏给它一个“奖励分数”。机器学习不是要取代人的智慧，它做的是另一件事——把人从“写规则”这种繁琐的、反人性的劳动中解放出来，让人去做那些真正需要创造力、判断力和同理心的事。上篇我们说到，机器学习的本质是让机器从数据里自己找规律，而不是靠人写规则。这一篇我们来看看，机器学习具体分成哪几类，每一类又是怎么解决实际问题的。“监督”的意思是：你给机器的每一条数据，都带

Transformer最初是为自然语言处理（NLP）设计的，但后来大家发现，它不仅能处理文字，还能处理图像（Vision Transformer，ViT）、语音、视频，甚至蛋白质序列、代码。虽然“无监督学习”这个词听起来没有“深度学习”那么火，但它其实是深度学习里非常核心的一支——毕竟现实世界中，带标签的数据永远是少数，没标签的数据才是汪洋大海。所以，与其把深度学习看作人工智能的“终点”，不如把它

不堆术语，不讲玄学，就把它当个“人”来聊聊——它是个什么样的人，它怎么长大的，它到底能干什么。传统机器学习的做法是：你先自己总结出一些“特征”——比如“耳朵是三角形的”“有胡子”“有毛茸茸的轮廓”——然后把这些特征设计成数学公式，再让机器去学这些特征和“猫”这个标签之间的关系。这就是“深度”这个词的由来——不是因为它的思想有多深奥，而是因为它的网络结构“层数深”。你得先自己设计一套算法，去提取图像

这玩意儿能干两件大事：一是GPU加速的张量计算（你可以理解成“带涡轮增压的NumPy”），二是自动构建和训练神经网络，后者靠一个叫自动微分（Autograd）的引擎来实现。最早出名的是Theano，2008年从蒙特利尔大学出来的Python库，算是Python深度学习框架的“老祖宗”。更烦人的是，Theano用的是声明式编程风格，你得先定义“我要算什么”，然后框架再去执行，中间出错了很难调试。你写

Python 的 asyncio 配合 aiohttp/httpx，再加上 Semaphore（信号量）、asyncio.gather、asyncio.timeout 和 run_in_executor 这几个大杀器，能让你像操控精密仪器一样，精准控制并发流量、批量处理任务、设置安全保险丝，并确保事件循环永远不卡死。有反馈的失败，好过无尽的沉默。需求：一个客户发起复杂请求，需要同时咨询“法律顾问”

二、工程代码结构差异（重点） 单体项目结构 单模块工程，内部分包分层：controller/service/mapper/entity/common全部代码在一个模块，公共工具、业务、配置都在当前项目内部。按业务领域拆分成多个独立 SpringBoot 子项目（用户服务、订单服务、商品服务、网关等），每个服务独立工程、独立数据库、独立部署。所有业务代码写在同一个 SpringBoot 项目、一个

想象一下，你让AI帮你查一下“明天天气怎么样”，结果它开始自嗨： “好的，用户询问明天天气情况。” 等你看到最后那句“明天北京晴，10-20℃”的时候，估计已经把这AI骂了八百遍了。你就在草稿纸上随便画两笔：“嗯...这个公式套进去...然后代入x...得4...不对，等等，符号错了...改一下...好了，答案16……它让AI在“思考”的时候，只记录最关键的信息——几个关键词，一些核心数据，一个简