本篇介绍了：ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。残差结构：防止退化。BN：减少梯度消失和梯度爆炸问题。

本篇介绍了：1. 通过调整学习率能够优化训练速度、提高训练稳定性、适应不同的训练阶段以及改善模型性能。2. 调整学习率有两种方法：1.使用库函数进行调整；2.手动调整学习率3. Pytorch学习率调整策略通过 torch.optim.lr_sheduler接口实现。并提供3种库函数调整方法：有序调整、自适应调整以及自定义调整。4. 在库函数调整方法中，注意在每个epochs迭代训练时，使用sch

本篇介绍了：如何进行迁移学习对迁移模型进行微调：微调全连接层微调卷积层（本篇未写），原理相同，可自行尝试注意：原本的模型参数务必要冻结住，那是已经调好的，可以节省计算时间。仅需要调整修改部分的参数。

本篇介绍了：数据增强的方法。数据增强是如何体现的。注意：数据增强与过采样直接拟合大量数据不同，数据增强体现在每次循环训练数据前，都给数据进行一次随机变换，使得每次训练的数据都不一样，从而实现训练大量的数据。

本篇介绍了如何使用KNN算法进行手写数字识别：训练模型：收集数据 – 读取图片数据 – 转化灰度图 – 处理图像 – 装进array数组 – 调整数据结构 – 分配标签 – 训练模型测试模型：评估性能 – 识别问题 – 优化和改进测试数据：查看实用性。

指定url发送请求UA伪装：UA、Referer防盗链和Cookie身份信息都放在head中获取你想要的数据在Element获取视频信息数据解析在响应Response中，定位视频的具体位置，请求访问它特别注意：其实与爬取文本和图片区别不大，主要是定位到视频的位置。指定url发送请求UA伪装：UA、Referer防盗链和Cookie身份信息都放在head中获取你想要的数据在Element获取视频信息

综上所述，L1正则化和L2正则化都是通过向损失函数中添加正则化项来提高模型的泛化能力，但它们在惩罚项的形式、特点和应用场景上存在差异。在实际应用中，应根据具体问题和需求选择合适的正则化方法。

本篇介绍了：如何使用保存好的最优模型加载模型的两种方法：1.加载模型状态字典；2.加载整个模型实例注意：两种方法都需要提前定义神经网络结构。

本篇介绍了：为什么随着迭代次数越来越多，模型的准确率会上下震荡甚至于下降。—> 过拟合pt\pth,t7三个扩展名，用于保存完整模型或者模型参数。模型的好坏，通过体现在测试集的结果上。保存最优模型的两种方法：保存模型参数和保存完整模型。

本篇介绍了：ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。残差结构：防止退化。BN：减少梯度消失和梯度爆炸问题。