使用 Python 和 NumPy 从零实现神经网络。数据标准化可以加快收敛。超参数包括层数、单元数、学习率、轮数等。正向传播、反向传播、参数更新是训练的三个核心步骤。小批量梯度下降是标准训练方法。使用 MNIST 实现手写数字识别。卷积神经网络实现使用 im2col 和 col2im 变换。ReLU 和 softmax 是卷积神经网络常用函数。权重初始化很重要，He 初始化适合 ReLU。卷积神

视频来源B站《冒死上传！pytest接口自动化测试框架（基础理论到项目实战及二次开发）教学视频【软件测试】》-session是多个文件调用一次，可以跨.py文件调用，每个.py文件就是module。-module每一个.py文件调用一次，该文件内又有多个function和class。一边学习一边整理老师的课程内容及试验笔记，并与大家分享，侵权即删，谢谢支持！-class每一个类调用一次，一个类中可

conftest.py是pytest特有的本地测试配置文件，既可以用来设置项目级别的fixture，也可以用来导入外部插件。conftest.py文件名称是固定的，pytest会自动识别该文件，只作用于它所在的目录及子目录。视频来源B站《冒死上传！pytest接口自动化测试框架（基础理论到项目实战及二次开发）教学视频【软件测试】》一边学习一边整理老师的课程内容及试验笔记，并与大家分享，侵权即删，谢

本文就从这道社团招新题出发，聊聊**贪心降级策略**的核心思想，以及**鸽巢原理**在约束分析中的巧妙应用。

在项目中要考虑不同的接口请求方式，有的接口时get，有的接口时post，并且参数也是不一样的，有些要的是json传参，有的用data传参，有些用put，有些用delete，要的不同方式。视频来源B站《冒死上传！pytest接口自动化测试框架（基础理论到项目实战及二次开发）教学视频【软件测试】》一边学习一边整理老师的课程内容及试验笔记，并与大家分享，侵权即删，谢谢支持！所以我们提前封装，封装意味着这

卷积神经网络擅长图像处理，也用于自然语言处理。图像可看作矩阵，卷积过滤器在图像上滑动并加权求和。卷积后的输出叫特征图。过滤器数值通过训练得到，是特征检测器。填充和步进可调整特征图大小。卷积层常见流程：卷积 → 激活函数 → 池化。常用激活函数：ReLU。常用池化：最大池化。卷积神经网络通过通道处理多特征图，彩色图像有 RGB 三通道。卷积过滤器通道数必须与输入通道数一致。最后连接全连接层，分类时使

感知机是最简单的二元分类模型，通过加权求和与阈值判断输出 0 或 1。引入偏置后，感知机输出可写成：w⋅xb0w⋅xb0单层感知机只能解决线性可分问题，不能解决线性不可分问题。多个感知机组合成多层感知机，也就是神经网络。神经网络包括输入层、隐藏层和输出层，层编号从第 0 层开始。每层有权重矩阵WlW^{(l)}Wl和偏置向量blb^{(l)}bl。每层计算为：xlalWlxl−1blxlalWlx

神经网络是机器学习的一种算法，可以解决回归、分类和生成等任务。神经网络由单元、层和连接组成，连接上带有权重。权重表示信息的重要性或相关性，训练神经网络就是学习权重。深层神经网络称为 DNN，学习其权重就是深度学习。神经网络整体可以看作一个函数 f(x)=y。回归输出连续值，分类输出类别或概率向量。图像任务中，输入层大小通常与像素数相关，大规模网络很常见。神经网络结构可以调整，但不是越复杂越好，需要

本专栏旨在帮助大家从基础到进阶 ，逐步提升编程能力，助力信息学竞赛备战！1.：根据信息学竞赛大纲，精心挑选经典算法题目，提供清晰的代码实现与详细指导，帮助您夯实算法基础。2.：按照算法类别和难度分级，从基础到进阶，循序渐进，帮助您全面提升编程能力与算法思维。

在无权图（每条边长度都是1）中，BFS有一种极好的性质：从起点sss出发，BFS第一次访问到某个节点vvv时，走过的路径长度就是从sss到vvv的最短距离。为什么？因为BFS是按层扩展的。起点是第0层，与起点直接相连的节点是第1层，再往外是第2层……你第一次碰到某个节点时，它一定处于当前能到达的最浅层，任何其他路径都不可能比这更短（否则它早就被更浅的层访问到了）。这种"逐层推进"的特性让BFS成为