PyTorch 中构建网络主要依赖和，二者功能互补但适用场景不同，需根据需求选择：需先实例化层并传入参数，再以函数形式调用处理数据，示例：2. nn.functional：无参数的纯函数工具核心特性纯函数设计：更接近数学函数，无参数管理功能，若需参数需手动定义和传递；无模式切换：dropout 等操作需手动控制训练 / 评估状态（如）；适用场景：无学习参数的操作，如激活函数（）、池化层（）、纯计算

在深度学习领域，卷积神经网络（CNN）是图像识别、计算机视觉的 “核心引擎”—— 它凭借对图像空间结构的精准捕捉，彻底改变了传统机器学习处理图像的方式。从手写数字识别到自动驾驶视觉感知，CNN 的应用无处不在。今天我们从 “为什么需要 CNN” 讲起，拆解卷积层、池化层的核心逻辑，再带你梳理 LeNet、AlexNet、VGG 等经典架构的演进，帮你掌握 CNN 的本质与实战思路。

数据加载与探索：用 Pandas 读取数据，info()查看缺失值；缺失值处理：少量缺失→删除，大量缺失→填充（均值 / 中位数 / 众数）；特征编码：有序变量→序号编码，名义变量→独热编码，目标变量→标签编码；数据标准化：树模型除外，其他模型→Z-Score/Min-Max 标准化；特征简化（可选）：连续特征→二值化 / 离散化（

YOLOv5 的成功并非单一技术创新，而是通过 “模块优化 + 工程化打磨” 实现的综合提升：Focus 模块解决了下采样的信息丢失问题，Bottleneck CSP 强化了特征提取与训练稳定性，PAN 网络优化了多尺度特征融合，再配合便捷的可视化工具链，使其成为目标检测领域的 “开箱即用” 型标杆模型。无论是学术研究还是工业落地，YOLOv5 的模块化设计与工程化思路都值得借鉴，尤其适合需要快速

在这个 AI 渗透生活方方面面的时代，深度学习早已不是晦涩的技术术语 —— 它藏在人脸识别考勤、短视频推荐、语音助手背后，甚至正在改变医疗、交通等行业的运作方式。今天我们从行业背景、核心概念、技术分类到实战工具，带你系统入门深度学习，搞懂它的本质与应用。

PyMySQL 是 Python3 中用于连接和操作 MySQL 数据库的开源库，实现了 Python 数据库 API v2.0，是 MySQLdb 的替代方案，支持与 MySQL 数据库的交互（如增删改查、事务处理等）。