本文介绍了使用CNN进行MNIST手写数字识别的完整流程，采用代码驱动的学习方式。主要内容包括：1) 环境准备与MNIST数据加载；2) 数据预处理（归一化和通道维度调整）；3) 构建CNN模型（包含卷积层、池化层、全连接层）；4) 模型训练与评估。文章通过代码示例、原理解释和深入思考三个维度，详细讲解了每个步骤的实现方法和背后的深度学习原理，特别对卷积运算、ReLU激活函数等核心概念进行了可视化

给定一封邮件，判断它是垃圾邮件（spam）还是正常邮件（ham）。预期行为：输入一段文字，模型输出一个判断，以及对应的置信度。输入: "Win FREE money now, click here!输出: 垃圾邮件（置信度 97%）

构建一个能够自动识别垃圾短信（Spam）和正常短信（Ham）的机器学习模型。机器学习是让计算机从数据中自动学习规律，而不是通过硬编码规则来解决问题。传统编程: 规则 + 数据 → 答案机器学习: 数据 + 答案 → 规则朴素贝叶斯 (Naive Bayes)是一种基于贝叶斯定理的概率分类算法。过拟合 (Overfitting)：模型在训练集上表现很好，但在测试集上表现差。训练准确率：99%测试准确

工欲善其事，必先利其器。在动手做 AI 项目之前，需要先把本地开发环境配好。本文记录了在 Windows 上使用 Miniconda 搭建 Python AI 学习环境的完整流程，包括安装、换源、创建虚拟环境、安装依赖，以及常见报错的处理方案。

工欲善其事，必先利其器。在动手做 AI 项目之前，需要先把本地开发环境配好。本文记录了在 Windows 上使用 Miniconda 搭建 Python AI 学习环境的完整流程，包括安装、换源、创建虚拟环境、安装依赖，以及常见报错的处理方案。

基于 Headscale 0.28.0 + Caddy + Tailscale，使用自定义域名搭建私有 Tailscale 控制服务器。

基于 Headscale 0.28.0 + Caddy + Tailscale，使用自定义域名搭建私有 Tailscale 控制服务器。

本文记录了在Ubuntu服务器上部署Headscale+Tailscale自建控制服务器时遇到的连接问题排查全过程。最初Windows客户端执行命令时出现"Connection was forcibly closed"错误，经过层层排查发现：Nginx配置缺失WebSocket支持→SSL/TLS握手失败→最终根源是腾讯云对未备案域名的拦截。文章详细介绍了错误现象、排查步骤（包