【摘要】Normalization（归一化/标准化）旨在解决不同特征量纲差异导致的问题。当特征数值范围差异大时（如身高1.5-2.0米vs体重40-100公斤），模型会偏向数值大的特征、训练速度变慢且易出现梯度爆炸。核心方法包括：1）Min-Max归一化（缩放到[0,1]），简单但对异常值敏感；2）Z-Score标准化（均值0、方差1），抗异常值但无固定范围；3）BatchNorm（神经网络层间标

本文详细讲解了Transformer模型的核心原理和实现过程。首先回顾了词嵌入(Word Embedding)的原理，包括如何通过降维和携带语义信息解决one-hot编码的问题。然后重点讲解了位置编码(Positional Encoding)的方法，通过三角函数为词向量添加位置信息。接着深入解析了Transformer的核心部分：注意力机制(Multi-Head Attention)的工作原理，包

YOLOv3是一种高效的单阶段目标检测算法，通过单次前向传播即可预测目标位置和类别。其核心框架采用Darknet-53主干网络，结合特征金字塔结构输出13×13、26×26、52×52三种尺度的检测结果，分别对应大、中、小目标的检测。每个网格预测3个边界框，使用预定义的锚框和偏移量计算实现高效定位。网络通过255个通道输出（85×3），包含80个类别概率、4个坐标偏移和1个置信度。