本文系统介绍了深度学习中的两大基础模型：线性回归和Softmax回归。线性回归用于连续值预测，通过线性方程构建特征与输出的映射关系，采用均方损失和梯度下降进行优化；Softmax回归则用于多分类任务，在线性层基础上通过Softmax函数将得分转换为概率，使用交叉熵损失优化。二者虽简单但蕴含了深度学习核心思想：任务适配的模型设计、梯度优化的参数学习、从简单到复杂的进阶路径。掌握这两个模型不仅能解决实

感知机是深度学习的起点，作为线性分类器可解决简单逻辑电路问题，但无法处理异或门等线性不可分问题。多层感知机通过引入隐藏层和非线性激活函数（如ReLU）突破这一局限，成为深度神经网络的基础。其训练通过前向传播和反向传播优化参数，并采用权重衰减、暂退法等策略防止过拟合。数据划分为训练集、验证集和测试集，结合K折交叉验证评估模型性能。多层感知机为理解CNN、RNN等复杂网络奠定了基础。

目标检测是计算机视觉的核心任务，需同时完成物体识别和位置定位，广泛应用于自动驾驶、安防监控等领域。面临物体种类繁多、尺度差异大和环境干扰三大挑战。主流数据集包括VOC和COCO，采用不同标注格式（YOLO/VOC/COCO）。评估指标以IoU、AP/mAP为核心，衡量检测精度和召回率。算法经历了从传统滑动窗口到深度学习的演进，分为两阶段（如Faster R-CNN）和单阶段（如YOLO）方法，并发

目标检测是计算机视觉的核心任务，需同时完成物体识别和位置定位，广泛应用于自动驾驶、安防监控等领域。面临物体种类繁多、尺度差异大和环境干扰三大挑战。主流数据集包括VOC和COCO，采用不同标注格式（YOLO/VOC/COCO）。评估指标以IoU、AP/mAP为核心，衡量检测精度和召回率。算法经历了从传统滑动窗口到深度学习的演进，分为两阶段（如Faster R-CNN）和单阶段（如YOLO）方法，并发

目标检测是计算机视觉的核心任务，需同时完成物体识别和位置定位，广泛应用于自动驾驶、安防监控等领域。面临物体种类繁多、尺度差异大和环境干扰三大挑战。主流数据集包括VOC和COCO，采用不同标注格式（YOLO/VOC/COCO）。评估指标以IoU、AP/mAP为核心，衡量检测精度和召回率。算法经历了从传统滑动窗口到深度学习的演进，分为两阶段（如Faster R-CNN）和单阶段（如YOLO）方法，并发

图像分割是计算机视觉中的关键技术，通过像素级分类精确区分目标轮廓和背景，广泛应用于自动驾驶、医学影像分析等领域。其技术层次包括语义分割、实例分割和全景分割，覆盖从类别划分到个体识别的需求。数据集如VOC、Cityscape和COCO为训练提供基础，评估指标则包括准确率和交叠度两类。分割网络普遍采用编码器-解码器结构，核心模块为卷积与反卷积，实现特征提取与分辨率恢复的结合。未来发展方向涵盖小样本分割

目标检测是计算机视觉的核心任务，需同时完成物体识别和位置定位，广泛应用于自动驾驶、安防监控等领域。面临物体种类繁多、尺度差异大和环境干扰三大挑战。主流数据集包括VOC和COCO，采用不同标注格式（YOLO/VOC/COCO）。评估指标以IoU、AP/mAP为核心，衡量检测精度和召回率。算法经历了从传统滑动窗口到深度学习的演进，分为两阶段（如Faster R-CNN）和单阶段（如YOLO）方法，并发

图像分割是计算机视觉中的关键技术，通过像素级分类精确区分目标轮廓和背景，广泛应用于自动驾驶、医学影像分析等领域。其技术层次包括语义分割、实例分割和全景分割，覆盖从类别划分到个体识别的需求。数据集如VOC、Cityscape和COCO为训练提供基础，评估指标则包括准确率和交叠度两类。分割网络普遍采用编码器-解码器结构，核心模块为卷积与反卷积，实现特征提取与分辨率恢复的结合。未来发展方向涵盖小样本分割

摘要： 人工智能与深度学习正重塑全球产业与生活方式。回顾工业文明演进：机械化→电气化→信息化→AI时代，技术持续推动社会变革。AI通过智能家居、自动驾驶、智慧医疗等应用渗透日常生活，其核心机器学习依赖数据、模型、目标函数和算法四要素，涵盖监督/无监督/强化学习等类型。深度学习在图像分类、机器翻译等领域成果显著（如ImageNet错误率从25%降至5%），PyTorch成为主流框架。图灵测试仍是衡量