本文系统介绍了计算机网络的基本概念与技术。首先阐述了因特网的定义，包括其物理构成、服务模式和协议体系。随后详细解析了网络边缘的端系统、接入网技术和物理媒介，以及网络核心的分组交换与电路交换原理。文章还深入探讨了网络性能指标如时延、吞吐量、丢包率等，并分析了信号传输过程中的失真问题与信道容量限制。最后，通过对比OSI七层模型与TCP/IP四层模型，揭示了计算机网络的分层架构思想。全文从多维度构建了对

关系模式是关系的型（Type）关系名：表的唯一标识（如STUDENT属性集：表的列及其数据类型（如学号 CHAR(7)完整性约束：主键、外键、域约束等。形式化表示U属性集合（如D：属性对应的域（如SNO的域是7位数字）。DOM：属性到域的映射（如F：属性间的函数依赖（如PK：主键（如SNO键类型定义示例（STUDENT表）特点超键能唯一标识行的属性组合（含冗余）{SNO}{ID}不要求最小性候选键

摘要：NiN（Network in Network）是2014年提出的一种创新卷积神经网络结构，旨在解决传统CNN的局限性。其核心创新包括：1）MLP卷积层，通过1x1卷积增强局部特征提取能力；2）全局平均池化替代全连接层，大幅减少参数量。相比AlexNet等传统网络，NiN在保持高表达能力的同时显著提升了参数效率。PyTorch实现显示，该结构在CIFAR-10等任务上表现优异，证明了其设计的前

AlexNet是2012年提出的里程碑式卷积神经网络，在ImageNet竞赛中以15.3%的错误率远超传统方法。其创新包括：使用ReLU激活函数缓解梯度消失；采用Dropout和数据增强防止过拟合；首次利用GPU加速训练。该网络包含5个卷积层和3个全连接层，通过重叠池化提升特征不变性。实验表明，在Fashion-MNIST和CIFAR-10数据集上，带动量优化的SGD表现最佳，测试准确率分别达91

卷积神经网络（CNN）是一种专为处理网格结构数据（如图像）设计的深度学习模型，其核心优势在于局部连接、权值共享和池化操作。相比全连接网络，CNN通过局部感受野提取层次化特征，显著减少参数数量并保持空间信息。关键组件包括卷积层（特征提取）、ReLU激活函数（引入非线性）、池化层（信息压缩）和全连接层（分类）。CNN的发展始于1998年LeNet-5的提出，2012年AlexNet在ImageNet竞

数字图像本质上是离散化的像素矩阵，每个像素携带颜色/亮度信息。灰度图为二维矩阵，彩色图为三维张量（高度×宽度×通道）。CNN通过局部连接和权值共享有效处理图像的空间关系，避免传统神经网络处理图像时的参数爆炸问题。其层次结构从边缘检测到复杂特征提取，最终实现图像分类。典型处理流程包括卷积、池化等操作，将原始像素逐步转化为高级语义特征。CNN的设计解决了图像平移敏感性和空间信息丢失等核心问题。

前馈神经网络是最基础的神经网络类型，信息单向流动（输入层→隐藏层→输出层），通过多层非线性变换实现端到端学习。文章详细介绍了神经网络的结构、激活函数（如Sigmoid、ReLU）、初始化方法（Xavier、He）、损失函数（交叉熵、均方误差）、优化算法（SGD、Adam）以及正则化技术（Dropout、L2正则化）。通过三个实践任务（XOR分类、MNIST手写数字识别、CIFAR10图像分类）展示

前馈神经网络是一种单向信息流动的人工神经网络，由输入层、隐藏层和输出层组成，是最基础的深度学习模型。其核心结构包括神经元（M-P模型）、感知机（单层线性分类器）和多层感知机（MLP）。MLP通过全连接层进行线性变换，配合激活函数引入非线性，从而能够拟合复杂函数关系。全连接层的参数包括权值矩阵和偏置项，通过多层非线性变换实现从数据到目标的端到端学习。这种结构使神经网络具备强大的特征提取和模式识别能力

本项目基于PyTorch框架构建了一个双向LSTM模型，用于IMDb电影评论的二分类情感分析（正面/负面）。模型采用2层LSTM结构，使用BCEWithLogitsLoss作为损失函数，在50,000条评论数据集上训练后达到74.44%的测试准确率。项目包含完整的数据预处理流程（文本清洗、词汇表构建）、模型实现（嵌入层+LSTM+全连接层）以及训练评估模块。分析发现模型存在明显过拟合现象（训练准确

摘要：本文介绍了CNN中的池化与反池化操作。池化主要用于降维，包括最大池化（保留纹理特征）、平均池化（突出背景信息）和随机池化（平衡特征提取与过拟合）。重叠池化与卷积类似但运算方式不同。反池化包括反最大池化（需记录最大值位置）和反平均池化。池化层无需训练参数，能有效减少计算量。