有时我们的数据是有限的，这时我们可以采用数据增强（data augmention）的方式来增加数据。我们可以使用迁移学习的方式。比如，现在我们要解决一个图像分类任务，但是我们手头并没有足够的数据，我们可以用一个已经在大数据集上训练好的类似的图像分类模型作为我们的初始模型修改分类头后做训练，或者把它的部分甚至全部参数冻结，在修改的分类头上做训练。特征的引入可以增加信息的丰富度，提高模型的预测能力，同

在机器学习中，我们有两个常用的运算库（TensorFlow 和 Numpy），由于库的开发与发展历史的种种原因，他们有着不同的数据形式。用一个外层中括号表示数组，内层的中括号表示数据，每一个内层中括号表示一个数据，而内层中括号中数字的个数表示了数据维度的大小。再者就是数据维度的变换了，在数据训练的过程中，我们常见到对数据维度的变换。所以，当我们去处理数据的时候需要使用 Numpy ，而在模型训练的

#include <stdio.h>using namespace std;typedef struct node { //注意typedef不能省略char data;struct node* lchild, * rchild;}*BitTree;//先序遍历的方式创建二叉树void CreatBitTree(BitTree& T) {char c;// 替换cin：用scanf读单个字符（前面