本文详细介绍了使用PyTorch从零搭建神经网络实现MNIST手写数字识别的全流程：涵盖环境配置（含CUDA安装）、数据加载与批处理、模型定义、激活函数选择（ReLU优势）、训练测试函数设计，以及损失函数与优化器配置。通过代码注解，完整演示了数据预处理、设备自动切换（GPU/CPU）、模型训练与评估全过程，适合深度学习初学者系统掌握PyTorch核心流程。

本文从直线方程 $y = kx + b$ 出发，系统讲解神经网络核心原理：神经元本质为矩阵运算与激活函数的组合，通过多层结构实现非线性拟合；引入隐藏层与偏置增强表达能力，解决线性分类局限；结合损失函数、交叉熵与正则化优化模型，利用梯度下降与反向传播算法自动调整参数；最终揭示深度网络如何分层提取复杂特征，构建从浅到深的智能学习体系。

本文系统讲解了Python函数编程的核心知识，涵盖基础与进阶内容。基础部分包括函数定义、文档规范、作用域规则（局部/全局变量、global关键字）以及返回值特性。重点剖析了四种参数传递方式：位置参数、关键字参数（可打乱顺序）、默认参数（设置缺省值）和不定长参数（args元组/**kwargs字典），强调参数顺序规则（普通→args→**kwargs）。进阶部分介绍了函数嵌套和lambda匿名函数的

计算机不认识汉字，更不懂得"黛玉葬花"的凄美。要让机器理解一篇文本在讲什么，第一步就是把文字变成数字。TF-IDF（词频-逆文档频率）就是其中最经典、最经久不衰的一种"文字数字化"方法。本文将以《红楼梦》120 回文本为语料，结合 sklearn 与 jieba，从原理推导到代码逐行解析，带你彻底搞懂 TF-IDF。

无监督学习是机器学习的两大支柱之一。如果说分类是"照着答案对号入座"（有监督），那么聚类就是"没有答案自己找规律"（无监督）。本文用**同一份啤酒数据集**，对比聚类两大流派——基于划分的 **K-means** 与基于密度的 **DBSCAN**，一次讲透它们的原理、代码、调参与差异。