本文结合入门学习经历，从工业文明演进切入，点明人工智能时代已融入生活（如智能闹钟、人脸识别等）。通过 “唤醒小爱同学” 的案例，厘清人工智能与机器学习的关系，拆解机器学习 “数据、模型、目标函数、优化算法” 四大核心组件，解释典型训练过程。还介绍了监督学习（回归、分类等）、无监督学习、强化学习等任务类型，分析深度学习因数据量激增与 GPU 算力普及而爆发的原因，提及 ImageNet、AlphaG

本文结合入门学习经历，拆解深度学习中线性回归与 Softmax 回归两大基础模型。线性回归适用于房价预测等 “连续值估算” 任务，核心是 y=Xw+b 公式，通过平方损失衡量误差，依赖梯度下降优化参数，需重点调整学习率与批量大小；Softmax 回归针对手写数字分类等 “离散类别判断”，借 Softmax 运算将输出转为概率，用交叉熵损失优化，输出层神经元数需匹配类别数。文章明确两者适用场景差异，

本文结合入门学习经历，从感知机入手，先介绍其原理及实现与门、或门等简单逻辑门的方法，再点出其 “线性不可分” 的局限性 —— 无法实现异或门。由此引出多层感知机，讲解其通过增加隐藏层组合特征、搭配激活函数（如 ReLU、sigmoid）提供非线性能力，从而解决非线性问题的核心逻辑。还分享实战细节：隐藏层数量与神经元个数的超参数选择思路，前向传播算预测、反向传播调参数的训练流程，以及用验证集、K 折

本文分享了学习卷积神经网络(CNN)的入门笔记，重点对比了CNN与多层感知机(MLP)处理图像的差异。作者通过具体案例说明MLP将图像展平为向量会丢失空间信息，导致参数量过大且识别效果差；而CNN通过"平移不变性"和"局部性"原则，像人类视觉一样分层处理图像。文章详细解析了CNN的核心组件：卷积层通过参数共享提取特征，池化层降低维度保留关键信息，并介绍了从L

本文总结了搭建神经网络的实用技巧，重点介绍了PyTorch的核心组件和工具。系统性地讲解了神经网络的四大核心组件（层、模型、损失函数、优化器）及其作用，并对比了nn.Module和nn.functional两大工具的特点与适用场景。文章还提供了三种构建模型的具体方法（继承nn.Module、使用nn.Sequential、结合模型容器），以MNIST手写数字识别为例详细说明实现代码，并给出不同复杂

本文介绍了PyTorch数据处理的核心工具及标准化流程。这些工具的组合使用可显著简化从数据准备到模型训练的全过程。

本文分享了图像分类项目的学习经验，重点梳理了三个核心内容：1）图像分类的三个层次（通用分类、细粒度分类、实例级识别）及各自特点；2）关键评估指标（准确率、精确率、召回率、F1）的选择与应用场景；3）解决样本不足的实用方案（迁移学习和数据增强）。作者通过自身踩坑案例，强调新手应重点掌握评估指标和样本增强技术，建议从基础分类任务入手循序渐进。全文提供了从理论到实践的完整学习路径，对初学者具有指导意义。

本文详细记录了使用PyTorch实现CIFAR-10图像分类的完整流程。从数据预处理（transforms标准化）、Dataset加载到CNN网络搭建（两层卷积+池化+全连接），再到训练过程中的损失函数选择、优化器调参等关键步骤。作者分享了实际踩坑经验，如忘记梯度清零导致训练失败、数据标准化对收敛速度的影响等。最终模型测试准确率约50%，并提出了增加训练轮数、优化网络结构等改进方向。文章为深度学习

本文介绍了CIFAR-10分类模型测试与优化过程。首先通过测试集评估模型整体准确率为66%，并发现模型对汽车（82%）识别较好，但对猫（45%）等细节多的类别表现欠佳。随后采用全局平均池化（GAP）替代全连接层，使参数量减少90%的同时准确率提升至70%。文章强调分类模型需细粒度评估，并验证了GAP在简化模型结构和防止过拟合方面的优势，为后续针对性优化（如数据增强）提供了方向。整个实验过程展现了模

本文分享了使用PyTorch进行CNN模型参数可视化和训练调优的实战经验。作者开发了一个类似Keras的model.summary()函数，通过钩子(hook)机制记录各层输入输出形状、参数数量等关键信息，帮助理解模型结构。在训练优化方面，对比了SGD和Adam优化器的表现，强调了梯度清零(optimizer.zero_grad())的重要性，并分析了损失曲线的学习状态。最后提出后续优化方向，包括