想入门深度学习，先了解行业需要什么样的人才，能让学习更有方向。目前主流的两个核心岗位，要求各有侧重，但核心技能高度重合。

线性回归和 Softmax 回归虽然简单，但它们是深度学习的 “敲门砖”。掌握这两个模型，不仅能解决很多基础的回归和分类问题，更重要的是能理解 “建模→损失→优化” 的核心逻辑 —— 这个逻辑在后续的神经网络、CNN、Transformer 等复杂模型中完全通用。

多层感知机通过引入隐藏层和激活函数，突破了感知机线性不可分的局限，成为处理复杂非线性问题的重要工具。在实际应用中，我们需要根据任务特点选择合适的激活函数，合理划分数据集，关注模型的过拟合和欠拟合问题，通过调整超参数（如隐藏层数、各隐藏层大小）等方式，不断优化模型性能。

LeNet 验证了 CNN 的可行性，为后续研究奠定基础；AlexNet 通过激活函数、Dropout 等创新，让 CNN 适配大规模数据；VGG 用模块化设计和小卷积核，探索了 “深度” 对性能的提升。

图像分类的核心目标很明确，就是把不同的图像划分到对应的类别标签下，并且尽可能让分类误差最小化。而在实际应用中，图像分类又可分为三层境界，每一层都有其独特的侧重点和挑战。

模型测试是评估网络性能的关键步骤，通过整体准确率和按类别准确率测试，能全面了解模型的表现。而全局平均池化作为一种高效的池化方式，在现代卷积神经网络设计中优势明显，能帮助我们构建更高效、更具泛化能力的神经网络模型。在实际的深度学习任务中，合理运用这些技术，将助力我们更好地完成模型开发与优化工作。

设定置信度阈值（如 0.5），过滤掉置信度低的框；按置信度从高到低排序；选置信度最高的框 A，加入最终结果；剩下的框和 A 算 IoU，删掉 IoU > 阈值（如 0.5）的框（避免重复标注同一个目标）；重复 3-4 步，直到没有候选框。入门选 VOC 数据集练手，做真实场景用 COCO；标注格式要和框架匹配（YOLO 用 TXT，VOC 用 XML）；

图像分割作为计算机视觉的重要分支，其核心是 “像素级的分类与定位”。从语义分割到全景分割，技术不断向 “更精细、更全面” 的方向发展；而高质量数据集、科学的评估指标，以及 “卷积提取特征 + 反卷积恢复尺度” 的网络结构，是支撑这一技术落地的关键。

在电商行业蓬勃发展的背景下，“双 11” 作为年度消费盛宴，其背后的数据分析对于理解市场趋势、消费者行为及行业动态具有重要意义。工作台 - Heywhale.com）聚焦双 11 期间的美妆数据，虽未直接呈现完整可执行代码，但从现有信息中仍能梳理出项目的核心方向、用户互动焦点及潜在价值，为同类数据分析工作提供参考。“电商双 11 美妆数据分析” 项目虽未呈现完整技术细节，但从现有信息可看出，其聚焦

拿到数据集第一件事，我总会先检查有没有缺失值 —— 毕竟谁也不想用 “半截数据” 训练模型。原始数据里的缺失值藏得很隐蔽，有的是明显的 “NaN”，有的是 “n/a”“na” 这种文字形式，甚至还有用 “-” 代替的，不仔细处理很容易被忽略。