只改了网络结构，模型并没有收敛。因此还可以增加epoch、batch_size、调整超参数进行优化！另外，爬取数据里面也有错误的数据，记得删除，否则会影响训练，爬取数据背景差异大，这也是训练困难的因素之一！准备你要进行分类的数据集，可以自己拍摄，可以网上进行爬取。对之前学的CNN模型进行魔改，模型训练框架基本都不变！请尝试用各种经典网络进行优化模型，训练得到更好的结果！将每个类别图片随机划分为训练

YOLOv8训练自己的数据集，并且对网络进行修改。

评估两个向量的夹角的相似度，计算两个向量的夹角余弦值 .相似度越小，距离越大。相似度越大，距离越小。

climate_data = np.random.rand(50, 4)# 50个地区，每个地区4个气候指标。奇异值分解(Singular Value Decomposition) 是。的一种方法，在机器学习领域具有广泛的应用。没有改变样本之间的线性关系，只是应用了新的坐标系。N–>K维，取前K个特征值对应的特征向量。缺点：不适合数据量和数据维度非常大的时候。训练（在这里就是降维的过程）是许多机器

Convolutional Neural network(part 1)CNN常常被用在影像处理上，它的theory base就是三个property，和两个架构convolution 架构：针对property 1和property 2max pooling架构：针对property 3Why CNN for Image？CNN V.s. DNN我们当然可以用一般的neural network来

Notes1.questionsQ：多分类问题为什么不可以直接当作回归问题？A：类别1变成数值1，类别2变成数值2，类别3变成数值3……暗示类别1与类别2比较接近，与类别3比较远，实际上并无此关系。当然，确实有将多分类当做回归来解的模型（感知机，SVM等），但是需要修改损失函数。Q：为什么是生成模型？A：假设数据遵循一个均值为μ \muμ、协方差矩阵为Σ \SigmaΣ的高斯分布。利用从高斯分布中

Why Deep?本文主要围绕Deep这个关键词展开，重点比较了shallow learning和deep learning的区别：shallow：不考虑不同input之间的关联，针对每一种class都设计了一个独立的model检测deep：考虑了input之间的某些共同特征，所有class用同个model分类，share参数，modularization思想，hierarchy架构，更有效率地使

平时使用最好先用小尺寸出图，得到想要的结果之后，再用固定种子合理放大。重绘幅度>0.5时，开启全面增强能够保持画面主题的一致性。如果想把一张图像变成2K、4K壁纸，则可以使用超清放大。生成的图像很美，但是画质不是很好，进行画质增强。重绘幅度大家可以从0.5或者0.6开始尝试。放大倍数就是在原图基础上等比例放大多少倍。找出你的老照片，进行画质修复吧！增强画面质量（0.5~1.5之间）最大可以放大到5

LoRA（低秩适应）是一种高效的大模型微调技术，通过少量参数调整实现特定任务适配，避免全量微调的高成本问题。它广泛应用于领域适配、个性化定制和多任务部署，尤其在图像生成中能增强风格化效果（如古风、动漫等）。LoRA需叠加基础模型使用，支持多风格混合，权重推荐0.8-1。用户可通过提示词工具（如DeepSeek、ChatGPT）优化生成效果，或结合现有模型（如古风写真）自定义风格。案例展示了阴阳师风