该数据集包含150个样本，分为3 个类别（山鸢尾Setosa、杂色鸢尾Versicolor、维吉尼亚鸢尾Virginica，各50个样本），每个样本描述了鸢尾花的4个特征：萼片长度（sepal length）、萼片宽度（sepal width）、花瓣长度（petal length）、花瓣宽度（petal width）（单位均为厘米）。训练集是用于训练回归模型的，当训练好后，用测试集进行测试，看训练

三种不同结构的自定义的1D-CNN，分别是基于VGG结构的1D-CNN（VNet）、基于EfficienNet结构的1D-CNN（ENet）、基于ResNet结构的1D-CNN（RNet）。假设输入数据维度为8，卷积核filter维度为5，不加填充padding时，输出维度为4，如果filter的数量为16，那么输出数据的shape就是4*16;一维卷积神经网络的基本结构与二维卷积神经网络（2D

激活层负责对卷积层抽取的特征进行激活，由于卷积操作是由输入矩阵与卷积核矩阵进行相差的线性变化关系，需要激活层对其进行非线性的映射。激活层主要由激活函数组成，即在卷积层输出结果的基础上嵌套一个非线性函数，让输出的特征图具有非线性关系。图1中左边第一个图是32*32*3的三维彩色图像，彩色图像有三层，表示包含红R、绿G、蓝B三个通道。卷积神经网络（Convolutional Neural Networ

2. 数量：卷积层中的权重数量取决于卷积核的大小、数量以及输入数据的通道数，卷积核表示为（卷积核宽、卷积核高、通道数、卷积核数）。综上所述，权重和偏置项是卷积神经网络中的核心参数，它们通过学习和调整来捕捉输入数据中的特征，并优化模型的性能。在卷积神经网络（CNN）中，权重（weights）和偏置项（bias）是两个至关重要的参数，它们在网络的学习和推断过程中起着关键作用。3. 模型优化：通过训练过

具体操作则是，基于局部相关性的思想，通过从局部相关的一组元素中进行采样或信息聚合，从而得到新的元素值。1. 自适应池化（Adaptive Pooling）：是一种灵活的池化方法，根据输入数据的特性自适应地调整池化窗口的大小和步长，以匹配特定的输出尺寸。最大池化，选择每个区域（池化层的感受野）中的最大值作为输出。绿色实线方框代表第一个感受野的位置，感受野元素集合为{1,-1,-1,-2}，在最平均池

监督微调（SFT）是使用有标签的数据来调整一个预训练模型。是在预训练的基础上，用特定任务的数据进行进一步的训练，让模型适应具体的任务。比如，在自然语言处理中，预训练模型如BERT或GPT已经在大规模文本上进行了训练，然后通过SFT在特定任务的数据集（如问答、分类）上进行微调，以提高在该任务上的性能。这时候模型通过监督学习，利用输入和对应的标签来调整参数，最小化预测误差。定义：基于有标签数据对预训练

批量归一化层（BatchNorm层），或简称为批量归一化（Batch Normalization），是深度学习中常用的一种技术，旨在加速神经网络的训练并提高收敛速度。为了让数据在训练过程中保持同一分布，在神经网络的中间层（隐藏层）的一层或多层上进行批量归一化。对于每一个小批次数据（mini-batch），计算该batch的均值与方差，在将线性计算结果送入，先对计算结果进行批量归一化处理，即减均值、

损失函数通常是一个非负实数函数，表示为L(Y, f(X))，其中Y是实际值（也称为标签或真实值），f(X)是模型的预测值（也称为输出值或估计值），X是输入数据。损失函数的值越小，表示模型的预测结果与实际值越接近，模型的性能也就越好。在这些任务中，模型的目标是尽可能准确地预测连续变量的值，而MAE则提供了一个衡量模型预测精度的有效指标。在这些任务中，模型的目标是准确预测样本所属的类别，而交叉熵损失则

在这一阶段中，符号学习的研究也取得了很大进展，它与连接学习各有所长，具有较大的互补性。1980年他在卡内基-梅隆大学召开的机器学习研讨会上做了“为什么机器应该学习”的发言，在此发言中他把学习定义为：学习是系统中的任何改进，这种改进使得系统在重复同样的工作或进行类似的工作时，能完成得更好。在20世纪80年代，由于对智能机器人的研究取得了一定的进展，同时又出现了一些发现系统，于是人们开始把学习看作是从

例如，随着时间的推移，用户的偏好可能会发生变化，这会导致用户行为数据的协变量偏移。同理，在一个复杂的机器学习系统中，也会要求系统的各个子模块在训练过程中输入分布是稳定的，若是不满足这一条件，这会导致各个子模块数据的内部协变量偏移。协变量偏移（Covariate Shift）是机器学习和深度学习中的一个重要概念，指的是在模型训练和应用时，输入数据（特征）的分布发生了变化，但输出标签的分布保持不变。在