YOLO v4（You Only Look Once version 4）是计算机视觉领域中经典的实时目标检测算法，由 Alexey Bochkovskiy 等人于 2020 年提出。其核心目标是在保证检测速度的同时显著提升检测精度，实现 "速度与精度的平衡"，能够快速准确地识别图像或视频帧中多个目标的位置和类别，广泛应用于自动驾驶、安防监控、智能交通等实际场景。

优势：能捕捉序列数据的时间依赖关系，权重共享支持任意长度序列，模型结构简单易实现。局限：无法处理长期依赖问题（梯度消失 / 爆炸），仅适用于短序列任务。关键概念：隐藏状态（记忆载体）、权重共享（适应变长序列）、时间步（序列处理单位）。

卷积神经网络（CNN）是深度学习在计算机视觉领域的核心模型，凭借其 “局部感知” 和 “参数共享” 的特性，能高效提取图像特征，在手写数字识别、图像分类等任务中表现优异。本文将基于 PyTorch 框架，从数据预处理网络搭建模型训练到优化迭代，手把手教你实现一个能识别 MNIST 手写数字的 CNN 模型，代码可直接运行，新手也能快速上手！训练的核心是 “前向传播算损失→反向传播求梯度→优化器更新

网格搜索是一种穷举式的超参数优化方法。它将每个超参数的可能取值视为一个维度，所有维度的组合构成一个 “参数网格”，然后在这个网格中逐个尝试所有可能的参数组合，通过交叉验证（Cross Validation）评估每个组合的性能，最终选择性能最优的参数组合。

本次基于自定义 ResNet 的 MNIST 手写数字识别实践，以 “简化、适配、高效” 为核心，既验证了残差网络在简单任务中的有效性，也为初学者提供了 “从模型设计到训练落地” 的完整实战路径。实践表明：残差网络的价值不仅在于 “深层”，更在于 “通过跳跃连接解决训练难题”；针对任务特点的轻量化设计，往往比直接套用复杂预训练模型更具性价比。后续可基于此框架，扩展至更复杂的图像分类任务（如 Fas

OpenCV 是一个开源的计算机视觉库，由英特尔公司于 1999 年发起并开发，旨在提供一个通用的计算机视觉解决方案，帮助开发者快速实现各种计算机视觉应用。经过多年的发展，OpenCV 已经成为一个功能强大、应用广泛的库，拥有超过 2500 个优化算法，涵盖了从基本的图像处理和计算机视觉任务到复杂的机器学习算法等多个领域。

当网络深度增加到一定程度后，模型在训练集上的误差会随着深度增加而上升（而非下降），同时测试集误差也随之上升 —— 这并非过拟合（过拟合是训练集误差下降、测试集误差上升），而是模型 “能力退化”，无法有效利用深层结构提取特征。例如，在 ImageNet 数据集上，传统 56 层网络的训练误差（约 10%）反而高于 20 层网络（约 8%），说明深层网络不仅没有带来性能提升，反而出现了 “越学越差”

"""====== 2. 变量初始化 ======="""# 年龄分段（与age_net模型输出的8个类别一一对应）ageList = ['0-2岁', '4-6岁', '8-12岁', '15-20岁','25-32岁', '38-43岁', '48-53岁', '60-100岁']# 性别选项（与gender_net模型输出的2个类别一一对应）genderList = ['男性', '女性']

datasets是一个广泛使用的库，尤其在机器学习和自然语言处理领域，用于方便地加载和处理各种数据集。它提供了标准化的接口，使得数据集的访问、处理和分割变得更加简单。2.主要特点丰富的数据集库：提供了数百个公开数据集，涵盖不同领域，如文本、图像、音频等。简化数据加载：只需几行代码即可加载数据集，支持多种格式（如 CSV、JSON、文本文件等）。高效的数据处理：提供数据预处理功能，如分词、编码、数据

深度学习（Deep Learning, DL）是机器学习（Machine Learning, ML）的一个重要分支，核心是通过模拟人类大脑神经元的连接方式，构建多层神经网络来自动学习数据中的特征和规律，最终实现预测、分类、生成等任务。它摆脱了传统机器学习对 “人工设计特征” 的依赖，能直接从原始数据（如图像、文本、音频）中挖掘深层信息，是当前人工智能（AI）技术爆发的核心驱动力。