监督学习模型可以分为生成模型(generative model)和判别模型(discriminative model)

本文介绍了图卷积网络(GCN)的基本原理和计算方法。通过一个5节点有向带权图的示例，展示了邻接矩阵A、度矩阵D和特征矩阵X的构建。GCN的核心计算包括：1)邻接矩阵与特征矩阵相乘实现特征聚合；2)通过参数矩阵W进行线性变换；3)引入自连接和对称归一化解决节点自身特征缺失和特征值不平衡问题。最终推导出GCN的层间传播公式，其中包含归一化邻接矩阵、隐藏层特征和可训练参数矩阵。该方法有效实现了图结构数据

OpenCV C++开发环境搭建

Libtorch(C++)环境配置

Libtorch（c++）模型部署

循环神经网络（Recurrent Neural Network，简称RNN）是一类在处理序列数据和时间序列数据时非常有用的神经网络架构。RNN的主要特点是它们具有循环连接，允许信息从一个时间步传递到下一个时间步，从而捕获时间依赖性和序列关系。正是由于RNN这种可以处理上下文依赖的特性，在机器翻译、文本生成、情感分析、语音识别、时间序列预测、图像描述生成、和游戏AI等各领域得到广泛应用注：虽然RNN

目标检测是计算机视觉领域（CV）热门且较成熟的主流研究方向之一，其应用广泛（自动驾驶、安防监控、医学影像分析、零售业货品管理等等）且已经深入到我们生活的方方面面，现在从个人学习角度，开展目标检测系列文章，主要侧重为深度学习，希望起到抛砖引玉的效果，如果有误的地方敬请指正。PS：应该注意到，近些年来，CV模型有融合的趋势，原来的目标检测模型不再是单一任务，往往能同时处理多种任务：目标检测、语义分割、

上图显示了一个具有2维（2-D）输入和1维（1-D）输出的3层简单神经网络。w和bias是网络的学习参数。计算损失（假设使用均方误差（MSE）损失函数或交叉熵（CE）损失函数）假设使用sigmoid激活函数，计算梯度并更新权重和偏差。计算梯度并更新权重和偏差。注意: 回归问题中,

在分裂节点前，提前评估分裂是否有意义。如果分裂不能显著提高决策树性能，则阻止分裂。它通过递归地将数据集分割成更小的子集，最终生成一个类似于树状的模型。以特征“天气”为例，取值为“晴天”“阴天”“雨天”。：先生成完整决策树，再通过后序遍历判断是否需要剪掉子树，用叶节点代替。决策树是一种以树状结构进行决策和分类的监督学习算法，适用于。以天气特征为例，会从根节点分裂出三个子节点：A1(选择分裂评估指标中

Libtorch（c++）模型部署