本文基于PyTorch，使用预训练ResNet18模型实现食物分类任务，通过迁移学习技术显著提升小数据集下的分类性能。核心步骤包括：加载ImageNet预训练权重、冻结卷积层参数、替换全连接层为20类输出，并仅训练新层。结合数据增强与学习率调度，实现高效训练。该方法在参数量少、数据有限的情况下仍可获得高准确率，充分体现了迁移学习在图像分类中的优势。

本文系统讲解了深度学习中学习率调度与权重衰减的核心技术。针对固定学习率导致训练后期停滞的问题，介绍了StepLR（周期衰减）和ReduceLROnPlateau（自适应调整）两种调度策略，实现训练初期快速下降、后期精细收敛。同时阐述了权重衰减（L2正则化）防止过拟合的原理与实现方法。通过完整代码演示，结合学习曲线可视化，对比分析不同策略的收敛速度、精度与稳定性，强调合理设置学习率调度与权重衰减对模

本文系统讲解了如何加载训练好的PyTorch模型进行推理。

本文系统讲解数据增强与模型保存两大核心知识点。通过随机旋转、翻转、颜色抖动等增强策略提升模型泛化能力，区分训练集与验证集的变换原则；采用ImageNet标准化参数加速收敛；利用best_acc机制仅保存最优模型，并对比state_dict（轻量灵活）与TorchScript（完整可部署）两种保存方式，确保训练成果持久可用，助力模型高效落地。

本文详解了如何从零构建自定义数据集实现食物分类。通过遍历文件夹生成索引文件，利用PyTorch的Dataset类与__getitem__、__len__魔术方法读取图片与标签，结合DataLoader实现批量加载与打乱，使用transforms.Compose进行图像预处理，并设计CNN模型完成分类任务。流程涵盖数据准备、数据集封装、预处理、模型训练与评估，完整展示了深度学习项目中自定义数据集的核

本文基于PyTorch从零构建卷积神经网络（CNN）实现MNIST手写数字识别，系统讲解了卷积、池化、权值共享、ReLU激活等核心概念。通过对比全连接网络，阐明CNN在参数量控制、空间信息保留和特征提取方面的优势。

本文基于PyTorch框架，从零构建一个手写数字识别神经网络。通过MNIST数据集，系统介绍了张量、DataLoader、神经网络结构、损失函数（交叉熵）、优化器（Adam）及训练测试流程，完整实现了端到端的深度学习项目，涵盖设备选择、自动求导、前向传播与反向传播等核心概念，帮助读者掌握深度学习基础实战技能。

本文介绍了机器学习中的K近邻算法（KNN）。KNN是一种监督学习算法，通过计算样本距离，选择最近的K个邻居进行分类或回归预测。文章详细讲解了KNN的原理，包括距离计算（欧式距离和曼哈顿距离）、K值选择和分类/回归方法，并提供了两个实际应用案例：学生宿舍分配和鸢尾花识别。案例展示了数据预处理、模型训练和评估的完整流程，使用Python的scikit-learn库实现，强调了数据标准化和参数调优的重要

本文介绍了机器学习中的基础算法——线性回归。文章首先阐述了线性回归的基本概念，包括一元和多元线性回归模型的数学表达，以及通过最小化均方误差(MSE)来优化模型的目标。随后详细讲解了两种优化方法：最小二乘法（适用于小数据集）和梯度下降法（适用于大规模数据）。最后通过一个血压预测的实例，演示了如何使用Python实现线性回归模型，并简要提及了模型评估指标（准确率、精确率、召回率和F1分数）的应用场景和

本文系统介绍了逻辑回归算法的原理与应用。作为机器学习中经典分类算法，逻辑回归通过Sigmoid函数将线性回归结果映射为概率值，采用对数损失函数和梯度下降优化参数。文章详细解析了决策边界、损失函数、参数优化等核心概念，并对比了算法的优缺点（实现简单但可能欠拟合）。通过信用卡欺诈检测案例，演示了数据标准化、交叉验证调参、模型评估等完整流程，最终输出混淆矩阵和分类报告验证模型效果。完整代码展示了从数据预