范数是向量空间中对向量（或矩阵）的“长度/大小/模”的一种量化度量，是欧几里得空间中向量模长的推广（欧几里得模长是范数的特殊情况）。严格来说，一个函数∣∣⋅∣∣V→R∣∣⋅∣∣V→RVVV是向量空间，RR^+R是非负实数）要被称为范数，必须满足以下3条公理非负性∣∣x∣∣≥0∣∣x∣∣≥0，且仅当xxx为零向量时，∣∣x∣∣0||x|| = 0∣∣x∣∣0；齐次性：对任意标量α\alphaα∣∣α

使用的数据集是：Kaggle上的Road Sign Detection数据集。该数据集共有877张图片。因为使用了OpenCV所以各种路径中不能有中文。这个是一定要注意的。在测试集上的分类准确率为：90.34%

这些向量所在的向量空间，就可以叫嵌入空间。它的核心作用是：让机器能够用距离、角度、内积等数学方式来表达对象之间的相似性、差异性和结构关系。所以嵌入空间不是唯一的，也不是天然固定存在的。更准确地说：数据本身可能有某种潜在结构，但嵌入空间是通过设计和学习得到的。同一批数据，用不同模型、不同损失函数、不同训练目标，会得到不同的嵌入空间。可以简单理解为：把原本不好直接计算的对象，映射成向量以后所在的空间。

HTML PPT = 用网页技术做的幻灯片，浏览器直接打开、跨设备不乱版、AI生成快、适合技术/线上场景。要不要我给你一个可直接复制运行的最简HTML PPT代码，你双击就能看到效果？

如果你写带随机行为的工具函数，强烈建议用它统一处理种子# 标准化处理随机种子# 使用返回的 rng 生成随机数# 调用：传整数 → 可复现作用：统一校验随机数种子，返回标准实例，保证随机性可复现。输入：支持None/ 非负整数 /实例。使用：自定义随机函数、调用 sklearn 模型时都可以用，是实现可复现实验的核心工具。优势：安全、无副作用、兼容 sklearn 全生态。两个导入路径，指向同一个

偏置项bbb。

模型目标函数凸性梯度=0 得到有无解析解线性回归平方损失（二次）凸线性方程组有逻辑回归交叉熵 + sigmoid凸非线性方程组无软 SVM/线性 SVM合页损失凸非线性/含约束无凸不凸决定有没有全局最优，求导后是不是线性方程，才决定有没有解析解。如果你需要，我可以把逻辑回归梯度推导、Hessian 半正定证明、以及为什么非线性方程无闭式解，用更数学的形式完整写一遍。全局最优存在性，梯度方程是否为线

使用的数据集是：Kaggle上的Road Sign Detection数据集。该数据集共有877张图片。因为使用了OpenCV所以各种路径中不能有中文。这个是一定要注意的。在测试集上的分类准确率为：90.34%

半监督学习是一种介于监督学习和无监督学习之间的机器学习方法，它利用大量的未标记数据和少量的标记数据来进行模型训练。

1. **自训练（Self-training）**：模型先用少量标记数据进行训练，然后使用这个模型来预测未标记数据的标签。通过这个过程，模型学习到数据的分布，从而提升分类器的性能。6. **伪标签（Pseudo-labeling）**：使用模型对未标记数据进行预测，并将置信度高的预测结果作为“伪标签”，这些伪标签与真实标签一起用于模型训练。8. **拉普拉斯正则化（Laplacian Regula