图像梯度本质是像素值在空间维度上的变化率（导数）基础梯度：相邻像素的差值（如横向梯度=右侧像素-左侧像素，纵向梯度=下侧像素-上侧像素）；梯度幅值：梯度的“大小”，代表像素值的变化程度（幅值越大，变化越剧烈）；梯度方向：像素值变化最大的方向（而非简单的横向/纵向）。OpenCV图像坐标原点在左上角，尺寸表示为(H, W)，像素值范围0~255（单通道），平均值可判断亮度是否正常；OpenCV默认读

图像梯度本质是像素值在空间维度上的变化率（导数）基础梯度：相邻像素的差值（如横向梯度=右侧像素-左侧像素，纵向梯度=下侧像素-上侧像素）；梯度幅值：梯度的“大小”，代表像素值的变化程度（幅值越大，变化越剧烈）；梯度方向：像素值变化最大的方向（而非简单的横向/纵向）。OpenCV图像坐标原点在左上角，尺寸表示为(H, W)，像素值范围0~255（单通道），平均值可判断亮度是否正常；OpenCV默认读

神经网络的结构本质是“带权重的有向Graph”，Tree是其无回路的特殊形式；神经元是“迷你函数单元”，核心遵循“线性变换（加权求和+偏置）→非线性变换（激活函数）”的标准流程——线性变换负责整合特征，非线性变换负责拟合复杂关系，二者共同构成了神经网络的计算基础。

神经网络的结构本质是“带权重的有向Graph”，Tree是其无回路的特殊形式；神经元是“迷你函数单元”，核心遵循“线性变换（加权求和+偏置）→非线性变换（激活函数）”的标准流程——线性变换负责整合特征，非线性变换负责拟合复杂关系，二者共同构成了神经网络的计算基础。

逻辑回归二元分类的损失函数是二元交叉熵，单个样本为，整体为所有样本的平均值；二元交叉熵不适用于多分类，会导致概率和不为1，多分类应使用Softmax+多分类交叉熵；MSE不推荐做分类，核心问题是损失非凸、易梯度消失、对异常值敏感；三种梯度下降的核心差异是迭代样本量：BGD用全量（稳定但慢）、SGD用单个（快但波动大）、MBGD用小批量（平衡最优）。

逻辑回归二元分类的损失函数是二元交叉熵，单个样本为，整体为所有样本的平均值；二元交叉熵不适用于多分类，会导致概率和不为1，多分类应使用Softmax+多分类交叉熵；MSE不推荐做分类，核心问题是损失非凸、易梯度消失、对异常值敏感；三种梯度下降的核心差异是迭代样本量：BGD用全量（稳定但慢）、SGD用单个（快但波动大）、MBGD用小批量（平衡最优）。

三大问题是机器学习的“基础框架”：按「有无标签」「标签类型」划分，回归（连续标签）、分类（离散标签）属于有监督学习，聚类（无标签）属于无监督学习；五大任务是“落地形态”：分类是基础，检测（分类+定位）、分割（像素级分类）、关键点识别（结构级分类）是分类任务的延伸，目标追踪是检测任务在时序维度的拓展；学习关键：区分任务的核心“输出结果形态”——连续数值（回归）、离散类别（分类）、簇编号（聚类）、边界

三大问题是机器学习的“基础框架”：按「有无标签」「标签类型」划分，回归（连续标签）、分类（离散标签）属于有监督学习，聚类（无标签）属于无监督学习；五大任务是“落地形态”：分类是基础，检测（分类+定位）、分割（像素级分类）、关键点识别（结构级分类）是分类任务的延伸，目标追踪是检测任务在时序维度的拓展；学习关键：区分任务的核心“输出结果形态”——连续数值（回归）、离散类别（分类）、簇编号（聚类）、边界

转行学习笔记分享

转行学习笔记分享