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。

本篇介绍了，如何通过FisherFaces算法来实现人脸识别，其中需要注意的是：1. 在使用EigenFaces算法进行人脸识别时，传入图像的大小（即尺寸）需要保持一致。2. 训练以及测试图像最好使用大头照，减少身体的部分。3. 置信度需要低于五千才有说服力，越小越准确。

本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。

在Python中，遍历（Traversal）是指按顺序访问数据结构（如列表、元组、字典、集合或字符串等）中的每一个元素，并对它们执行某种操作的过程。Python提供了多种遍历数据结构的方法，包括使用for循环、while循环、列表推导式、生成器表达式以及迭代器等。但最常见和直接的遍历方式是使用for循环。那么接下来我们来介绍一下数据容器的遍历：索引遍历有序的数据容器才可以使用索引遍历，比如list

逻辑回归更适合二分类算法，但是也可以通过一些策略，扩展到多分类问题。注意要将读取的数据进行标准化操作，灰度图图片数据相差过大。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惩罚因子。

本篇介绍了自然语言处理中，语言转换方法的两个模型：统计语言模型：用于描述和预测自然语言文本中的词汇或句子出现的概率，但是没办法考虑词与词之间内在的联系且参数空间会出现爆炸式增长的问题。神经语言模型：通过神经网络训练，将每个词都映射到一个较短的词向量上来。将高维映射到低维。通过embedding词嵌入技术捕捉词句之间的语义。embedding词嵌入技术，有两个模型连续词袋模型（CBOW）和跳字模型（