注意对读取的数据处理学会调整参数，优化模型，比如本篇在交叉验证中找寻最优的最大特征数量。

在介绍之前呢，可以介绍一个小方法，ctrl + "p"是函数参数提示，可以提示我们使用的字符串方法如何使用，或者将鼠标放在括号内。如：这样在我们记不太清除字符串用法时来提示我们。以上就是一些常用的字符串方法，还有有趣的不同的切片方法。

本篇介绍了如何搭建卷积神经网络，其主要的构造部分为卷积层、激活层以及池化层，可以搭建多层该部分对数据进行多次卷积、池化。注意：同普通的神经网络不同，卷积神经网络在传入图片时不需要将其展开，因为对图片进行卷积就是在原图上进行内积，不能展开。

本篇介绍了部分损失函数：1. L1Loss损失函数：通常用于回归任务中。2. NLLLoss损失函数：在多分类问题中广泛应用。3. MSELoss损失函数：在多种回归任务中表现出色。4. BCELoss损失函数：广泛应用于各类二分类任务中。5. CrossEntropyLoss交叉熵损失函数：广泛应用于多分类问题中。

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：找到网页地址发送请求：requests请求获取你想要的数据：文本接收，请求到的内容数据解析：xpath语言：定位到目标位置re正则匹配：精准取出目标内容，去除杂质。

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

本篇介绍了：如何对答题卡进行识别并计算准确率。要点知识：边缘检测、轮廓近似、透视变换以及掩膜。过程：1. 图片预处理 -----> 2. 描绘轮廓 -----> 3. 轮廓近似 -----> 4. 透视变换 -----> 5. 阈值处理 -----> 6. 找每一个圆圈轮廓 -----> 7. 将每一个圆圈轮廓排序 -----> 8. 比对正确答案 -----> 9. 计算正确率.

多维数组：张量可以看作是一个n维数组，其中n可以是任意正整数。它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。数据类型统一：张量中的元素具有相同的数据类型，这有助于在GPU上进行高效的并行计算。支持GPU加速：PyTorch中的张量可以存储在CPU或GPU上，通过将张量转移到GPU上，可以利用GPU的强大计算能力来加速深度学习模型的训练和推理过程。

本篇介绍了：1. 对视频进行背景建模，使用帧差法。2. 对视频中移动对象进行目标跟踪检测。