通过本次CNN手写数字识别实验的完整实践，我深刻体会到深度学习模型性能的提升是一个系统工程，需要从数据、模型、训练策略到结果分析的全流程精细化把控，尝试使用不同的数据增强方法、优化器、损失函数、学习率、batch size和迭代次数来进行训练，迭代出最佳模型，再手写数字进行测试。3.使用画图工具将自己的学号逐个写出，使用保存的最佳模型对每个数字进行推理，比较模型对每个数字的准确率预测，也可以尝试实

通过逐步加深网络深度、引入残差连接结构，见证了模型从"勉强识别"到"精确分类"的蜕变过程——当网络层数增加到六层并配合批量归一化技术时，模型仿佛被注入了新的生命力，特征提取能力显著增强，验证集准确率首次突破97%大关，更让我领悟到：在深度学习领域，没有所谓的"银弹"，唯有对每个环节的极致打磨，才能让数学模型真正绽放智慧的光芒。2.对数据进行预处理，使用torchvision库中的trabsform

同时，我也意识到在实际应用中，需要根据具体问题选择合适的模型结构和参数设置，以达到最佳的预测效果。解决方法：在训练过程中，发现损失值下降速度较慢，模型收敛需要较长时间，这可能是由于学习率设置不当、模型初始化不佳或优化算法选择不合适等原因造成的。使用BP算法训练一个单隐藏层网络，编程实现在西瓜数据集（melon.csv）上预测“是否为好瓜”的应用，需要给出源代码以及运行过程和结果的截图。解决方法：添

通过本次CNN手写数字识别实验的完整实践，我深刻体会到深度学习模型性能的提升是一个系统工程，需要从数据、模型、训练策略到结果分析的全流程精细化把控，尝试使用不同的数据增强方法、优化器、损失函数、学习率、batch size和迭代次数来进行训练，迭代出最佳模型，再手写数字进行测试。3.使用画图工具将自己的学号逐个写出，使用保存的最佳模型对每个数字进行推理，比较模型对每个数字的准确率预测，也可以尝试实

同时，我也意识到在实际应用中，需要根据具体问题选择合适的模型结构和参数设置，以达到最佳的预测效果。解决方法：在训练过程中，发现损失值下降速度较慢，模型收敛需要较长时间，这可能是由于学习率设置不当、模型初始化不佳或优化算法选择不合适等原因造成的。使用BP算法训练一个单隐藏层网络，编程实现在西瓜数据集（melon.csv）上预测“是否为好瓜”的应用，需要给出源代码以及运行过程和结果的截图。解决方法：添

通过逐步加深网络深度、引入残差连接结构，见证了模型从"勉强识别"到"精确分类"的蜕变过程——当网络层数增加到六层并配合批量归一化技术时，模型仿佛被注入了新的生命力，特征提取能力显著增强，验证集准确率首次突破97%大关，更让我领悟到：在深度学习领域，没有所谓的"银弹"，唯有对每个环节的极致打磨，才能让数学模型真正绽放智慧的光芒。2.对数据进行预处理，使用torchvision库中的trabsform

同时，我也意识到在实际应用中，需要根据具体问题选择合适的模型结构和参数设置，以达到最佳的预测效果。解决方法：在训练过程中，发现损失值下降速度较慢，模型收敛需要较长时间，这可能是由于学习率设置不当、模型初始化不佳或优化算法选择不合适等原因造成的。使用BP算法训练一个单隐藏层网络，编程实现在西瓜数据集（melon.csv）上预测“是否为好瓜”的应用，需要给出源代码以及运行过程和结果的截图。解决方法：添

通过逐步加深网络深度、引入残差连接结构，见证了模型从"勉强识别"到"精确分类"的蜕变过程——当网络层数增加到六层并配合批量归一化技术时，模型仿佛被注入了新的生命力，特征提取能力显著增强，验证集准确率首次突破97%大关，更让我领悟到：在深度学习领域，没有所谓的"银弹"，唯有对每个环节的极致打磨，才能让数学模型真正绽放智慧的光芒。2.对数据进行预处理，使用torchvision库中的trabsform

通过逐步加深网络深度、引入残差连接结构，见证了模型从"勉强识别"到"精确分类"的蜕变过程——当网络层数增加到六层并配合批量归一化技术时，模型仿佛被注入了新的生命力，特征提取能力显著增强，验证集准确率首次突破97%大关，更让我领悟到：在深度学习领域，没有所谓的"银弹"，唯有对每个环节的极致打磨，才能让数学模型真正绽放智慧的光芒。2.对数据进行预处理，使用torchvision库中的trabsform

RBM中的节点连接受到限制：可见层和隐藏层之间是全连接的，但层内节点之间无连接（即可见层节点彼此独立，隐藏层节点彼此独立）。①　标准玻尔兹曼机（BM）：标准玻尔兹曼机是一个全连接的无向图模型，如图4-1所示，其中每个节点都可以与其他节点相连。可见层和隐藏层之间的连接是双向的，但权重对称。描述了整个网络的连接情况。①　网络结构：玻尔兹曼机包含可见层（输入层）和隐藏层，层与层之间的节点是全连接的，但同