这是将源代码（.cpp）转换成目标文件（.o.obj）的核心工具。GCC作为最主流和最广泛的编译器，典型应用场景包括Linux开发、跨平台项目、嵌入式系统。其远不止一个C++编译器，它是一个强大的编译器集合，它能够编译多种编程语言，并支持众多硬件平台和操作系统。常见的语言C,C++,GO,D,Rust等都可以通过GCC进行编译，其中对C和C++的支持是最成熟和最广泛使用的除此之外，GCC能面向的平

以预测明日文章订阅量的任务(Regression，回归)为例。在此例中，机器学习的过程就是通过前几个月甚至几年的数据，机器找到一个函数能够预测明日的订阅情况，即第一步需要我们写出一个代表未知参数的函数式，简单来说就是先猜测一下这个能预测明日订阅情况的函数式。以最简单的线性形式为例(guess based on domain knowledge)，我们假设这个式子是Loss称为损失函数，写作。它通过

是让计算机从数据中自动学习规律、模式，无需人工逐条编写复杂规则，从而完成回归(Regression)、分类(Classification)、聚类(Cluster)等任务，并随数据增多不断优化性能的技术。自监督学习是无监督学习的重要分支，无需人工标注的标签数据，而是从数据自身的结构、关联、属性中自动构造监督信号（伪标签 / 代理任务），驱动模型学习数据的通用特征表示，是一种利用无标注数据做监督式训练

如果测试集上的损失也小，这是我们想要的，是一个比较好的模型。如果你对模型得到的测试集结果不满的话。并且检查得到模型在训练数据上的损失够小（如果你对模型得到的测试集结果不满的话。先检查模型在训练数据上的损失。对于如何解决optimization的方法，将在下一节说明。整个过程如下：拿到训练数据（Training Data）），那接下来就要看损失（loss）在测试集上的大小（放到测试数据（Testin

来自17世纪复利率计算的极限问题：假设你有本金块钱，银行给年化利率r=100%，存年，如果按单利算（利息不生息），1年后你只能拿1+1=2块；但复利的逻辑是利滚利，如果把1年拆成个计息周期，每个周期的利率就是总利率除以（即每个周期利率），1年总共计次息，期末总额公式是：代入，化简为当时数学家雅各布·伯努利想的是：能不能让利息每时每刻都生息？也就是趋近于无穷大，这时候公式会变成啥？会不会趋近于无穷？

SLAM全称Simultaneous Localization And Mapping，中文名称同时定位与地图构建。旨在让移动设备在：确定自身在环境中的位置和姿态（如坐标、朝向）。：构建环境的地图（如2D栅格地图、3D点云地图）。使用激光雷达（LiDAR）、摄像头（视觉SLAM）、IMU（惯性测量单元）、超声波等传感器。例如：激光雷达获取点云，摄像头提取特征点。：从传感器数据中（如角点、线段、OR

输入变量为外作用力，输出变量为物块位移，内部变量为弹簧的弹力——及阻尼器的阻尼力。

本文章结合之前文章优化问题——局部最小值与鞍点-CSDN博客、自动调整学习率-CSDN博客的各种优化训练的方法，介绍实际工程中常用的优化器Adam，全称Adaptive Moment Estimation（自适应矩估计），它实际上就是结合了 SGD with Momentum（SGDM） 和 RMSProp 思想的自适应学习率优化器，既带惯性，又自适应学习率，是目前深度学习最常用、默认首选的优化器

GNN 处理的图 (Graph) 是非欧几里得结构化数据，数学表示：现实生活中，图的应用广泛：GNN的设计用于解决三个主要问题：GNN主要的思路是 “消息传递及邻域聚合” ，即先每个节点生成初始特征向量，然后通过非线性变换聚合相邻节点的特征信息，迭代更新将拓扑结构融入自身特征向量，通过多层神经网络堆叠学习浅层及深层信息。它的设计原则如下：GNN 四大类核心任务，涵盖了绝大多数图学习场景：CNN是一

在之前的文章中，我们构建神经网络使用的都是全连接层（线性层），多个线性层串联连接起来称为全连接网络，如下所示：全连接层是将输入展平成一维向量，每个神经元和所有输入相连。卷积层是用，在输入数据（如图像、特征图）上，通过提取局部特征的神经网络层。这是是的核心。简单来说，它不是 “全连接” 那样把所有神经元乱连一通，而是。这可以保留图像的空间结构，并且参数更少（只有卷积核的几个参数）。对于单通道图片（如