根据你之前对点积（dot product）的兴趣，我将李宏毅机器学习课程中涉及的类似核心数学概念，按照课程主线为你系统地梳理和总结如下。这些概念构成了理解机器学习，特别是深度学习的基础。

等价于X @ w + b。b会自动加到每个样本的预测值上。返回向量，每个元素是一个样本的半平方误差。除以 2 是为了求导后系数为 1（导数 =y_hat - y训练时会对这个向量.sum()再反向传播。：禁用梯度追踪，手动更新参数时不要构建计算图。param.grad是累积的梯度（因为之前求和后反向，梯度是总损失的导数）。除以batch_size：将总梯度转换为平均梯度，使更新步长与批量大小无关。

比如 y=[0,2]，就取第0个样本的第0类概率，和第1个样本的第2类概率。对于分类问题，真实标签是One-hot编码（正确类为1，其余为0），交叉熵损失简化成了：真实类别对应概率的负对数。如果模型对正确类别预测概率是0.9，损失是 -log(0.9)，很小；Softmax运算的作用，就是把这些得分映射为0到1之间的概率，且所有概率之和为1。分类问题中，输出不是一个数值，而是一个向量，代表对每个类

数据集是food-11，共 11 类食物图片。：有标签的训练图片（用于监督学习）：无标签的图片（用于半监督学习，Hard 难度）：验证集（有标签，用于调参和监控过拟合）：测试集（无标签，用于最终提交）每张图片都是 RGB 彩色图，原始尺寸不一，代码中会统一缩放到128x128。# 卷积部分nn.Conv2d(3, 64, 3, 1, 1), # 输入3通道，输出64通道，卷积核3x3nn.ReLU

打开 Colab：在地址栏输入 colab.research.google.com 并回车。新建笔记本：点击页面上的“新建笔记本”按钮。

等价于X @ w + b。b会自动加到每个样本的预测值上。返回向量，每个元素是一个样本的半平方误差。除以 2 是为了求导后系数为 1（导数 =y_hat - y训练时会对这个向量.sum()再反向传播。：禁用梯度追踪，手动更新参数时不要构建计算图。param.grad是累积的梯度（因为之前求和后反向，梯度是总损失的导数）。除以batch_size：将总梯度转换为平均梯度，使更新步长与批量大小无关。

比如 y=[0,2]，就取第0个样本的第0类概率，和第1个样本的第2类概率。对于分类问题，真实标签是One-hot编码（正确类为1，其余为0），交叉熵损失简化成了：真实类别对应概率的负对数。如果模型对正确类别预测概率是0.9，损失是 -log(0.9)，很小；Softmax运算的作用，就是把这些得分映射为0到1之间的概率，且所有概率之和为1。分类问题中，输出不是一个数值，而是一个向量，代表对每个类

打开 Colab：在地址栏输入 colab.research.google.com 并回车。新建笔记本：点击页面上的“新建笔记本”按钮。

BASE_URL’: ‘http://localhost:9380’,# RAGFlow地址‘API_KEY’: ‘your-ragflow-api-key’# RAGFlow API密钥‘EMAIL’: {4. 配置Celery (wechat_rag/celery.py)pythonimport osr}')5. 数据模型设计 (crawler/models.py)