使用鸢尾花数据集，随机隐藏大部分标签，利用 Label Spreading（标签传播）和 Self‑training（自训练）两种混合策略提升分类准确率。传统机器学习 + 少样本：通过特征提取（如预训练 CNN）配合 SVM/KNN，在少量标注下也能获得可接受的分类效果，但性能受限。深度混合模型通过联合优化重建损失（无监督）与分类损失（监督），可以学到鲁棒的低维表示，提升小样本分类性能。半监督学习

本文介绍了循环神经网络（RNN）及其改进模型LSTM和GRU在序列数据处理中的应用。RNN通过隐藏状态传递时序信息，但存在梯度消失问题。LSTM通过门控机制解决了长距离依赖问题，GRU则简化了结构。文章以IMDB情感分类为例，展示了双向LSTM模型的实现过程，包括数据预处理、模型构建、训练评估等步骤。实验使用PyTorch框架，在5个epoch内达到约87%的测试准确率。此外还提及了LSTM在时间

一般在全连接层中使用，在卷积层中也会见到，在卷积层中有时候并不是将神经元置零，而是将某些特征映射整体置零，比如讲颜色通道中的某几个整体置零。因为反向传播使用链式求导法则chainrule，所以求梯度的计算是通过一些导函数的值连乘得到，如果导函数的值越接近0，那么连乘在一起就会更加接近0。又因为反向传播求导是从后往前的，所以越靠近输入层的参数求导时，连乘在一起的项越多，越有可能一堆接近0的数值不断连

一般在全连接层中使用，在卷积层中也会见到，在卷积层中有时候并不是将神经元置零，而是将某些特征映射整体置零，比如讲颜色通道中的某几个整体置零。因为反向传播使用链式求导法则chainrule，所以求梯度的计算是通过一些导函数的值连乘得到，如果导函数的值越接近0，那么连乘在一起就会更加接近0。又因为反向传播求导是从后往前的，所以越靠近输入层的参数求导时，连乘在一起的项越多，越有可能一堆接近0的数值不断连

本文介绍了机器学习中的几个核心概念和方法。正则化技术（L1/L2）通过惩罚项控制模型复杂度，防止过拟合；梯度下降法及其变体（小批量）用于优化模型参数；数据归一化消除特征量纲差异；KMeans和高斯混合模型是常见的聚类算法；感知机作为神经网络基础，多层感知机通过隐藏层和激活函数（如Sigmoid、Tanh、ReLU）实现非线性特征提取。这些方法共同构成了机器学习模型训练和优化的基础框架。