pickle序列化（Serialization）：通过或将 Python 对象转换为字节流（bytes），该字节流可写入文件、存入数据库或通过网络传输。反序列化（Deserialization）：通过或将字节流恢复为原始的 Python 对象，且保留对象的结构和数据。简单来说，pickle就像一个 “对象压缩包”，能把复杂的 Python 对象 “打包” 成字节流，需要时再 “解压” 回原样。pi

用于存储文本信息，由单个或多个字符组成，用单引号（' '）、双引号（""）或三引号（''' '''、""" """）包裹。print("num1的类型：", type(num1)) # type()函数用于查看变量类型，输出<class 'int'>​。当注释内容较多，需要跨多行时，可以使用三对单引号（''' '''）或三对双引号（""""""）将注释内容包裹起来。print("num4的类型："

Dataset是 PyTorch 中所有自定义数据集的基类__len__和，同时可通过__init__初始化参数。PyTorch 提供了一些内置 Dataset（如CIFAR10），其中适用于 “按类别划分文件夹” 的数据集（如food/train/汉堡/001.jpgfood/train/披萨/002.jpg但实际项目中，数据格式往往更灵活（如用 txt 文件记录路径和标签），此时就需要自定义

人脸识别（Face Recognition）是一种基于人的脸部特征信息进行身份识别的生物识别技术。它利用计算机技术对人脸图像进行分析，提取有效的特征信息，并与已知人脸信息进行比对，从而完成身份验证或识别的过程。与其他生物识别技术（如指纹识别、虹膜识别、声纹识别等）相比，人脸识别具有非接触性、自然性和不易察觉性等独特优势，使其在公共安全、人机交互、金融支付等领域具有不可替代的应用价值。

2016年，Joseph Redmon等人提出的YOLO(You Only Look Once)框架彻底改变了这一局面，将目标检测重新定义为一个单一的回归问题，实现了速度与精度的完美平衡。YOLOv1作为实时目标检测的开山之作，以其简洁优雅的设计思想和出色的性能表现，深刻影响了计算机视觉领域的发展方向。YOLOv1的出现标志着实时目标检测的新纪元，它能够以45帧/秒的速度处理图像，在保持较高精度的

要理解 “人工神经网络”，首先需要回到其灵感源头 —— 生物神经网络。只有明确了大脑如何处理信息，才能真正明白人工模型的设计逻辑。解决线性不可分问题的核心思路有两个：一是增加网络层数，将输入数据映射到更高维度的空间；二是使用非线性激活函数，打破 “线性叠加仍是线性” 的桎梏。基于这两个思路，多层感知机（Multi-Layer Perceptron, MLP）应运而生，它也被称为 “标准人工神经网络

从 1960 年代的边缘检测，到 2020 年代的多模态大模型，计算机视觉用 60 多年的时间，实现了从 “机械识别” 到 “智能理解” 的跨越。它不仅是一门技术，更是人类探索 “机器如何感知世界” 的重要载体 —— 通过计算机视觉，我们不仅在让机器 “看懂” 世界，也在反过来理解 “人类如何看懂世界”。

jieba.load_userdict("userdict.txt") # 文件路径云计算 5 n区块链 3 njieba.add_word("深度学习", freq=20, tag="n")

要理解 “人工神经网络”，首先需要回到其灵感源头 —— 生物神经网络。只有明确了大脑如何处理信息，才能真正明白人工模型的设计逻辑。解决线性不可分问题的核心思路有两个：一是增加网络层数，将输入数据映射到更高维度的空间；二是使用非线性激活函数，打破 “线性叠加仍是线性” 的桎梏。基于这两个思路，多层感知机（Multi-Layer Perceptron, MLP）应运而生，它也被称为 “标准人工神经网络

prediction = model.predict(test_image_input.reshape(1, 784)) # 要把输入转成(1,784)（1个样本，784维）​。赶紧把代码复制到本地跑一遍，动手实践才是最好的学习方式！print("训练集图片形状：", x_train.shape) # 输出 (60000, 28, 28) → 6万张图，每张28x28像素​。print("训练集标