数据导入及处理部分：在 PyTorch 中，我们通常先将 NumPy 数组转换为 torch.Tensor，再封装到 TensorDataset 或自定义的 Dataset 里，然后用 DataLoader 按批次加载。模型构建部分：RNN设置超参数：在这之前需要定义损失函数，学习率（动态学习率），以及根据学习率定义优化器（例如SGD随机梯度下降），用来在训练中更新参数，最小化损失函数。定义训练函

本文介绍了三种RAG（检索增强生成）实现方式，帮助开发者根据需求灵活选择。首先，默认RAG使用LlamaIndex的VectorStoreIndex结合OpenAI嵌入模型快速上手；其次，混合RAG在问答环节调用DeepSeek-Chat，向量化仍用OpenAI嵌入，实现性能优化；最后，全本地RAG使用DeepSeek问答和本地Hugging Face嵌入，实现纯本地化部署。此外，文章还简要探讨了

数据导入及处理部分：本次数据导入没有使用torchvision自带的数据集，需要将原始数据进行处理包括数据导入，查看数据分类情况，定义transforms，进行数据类型转换等操作。划分数据集：划定训练集测试集后，再使用torch.utils.data中的DataLoader()分别加载上一步处理好的训练及测试数据，查看批处理维度.模型构建部分：DenseNet-121。

本文详细介绍了在Vercel平台部署Python FastAPI项目的完整流程，包括项目结构配置、核心代码实现、GitHub部署准备、Vercel部署步骤以及常见问题解决方案。重点演示了如何配置vercel.json路由、FastAPI应用开发技巧和避免Mangum适配器导致的错误。通过提供健康检查、应用信息等多个API端点示例，帮助开发者快速验证部署可行性。文章还包含本地测试方法和版本依赖管理建

本文为和鲸python 机器学习原理与实践·闯关训练营资料整理而来，加入了自己的理解（by GPT4o），多年风控引擎研发及金融模型开发经验，现任某公司风控研发工程师，对数据分析、金融模型开发、风控引擎研发具有丰富经验。

数据导入及处理部分：本次数据导入没有使用torchvision自带的数据集，需要将原始数据进行处理包括数据导入，查看数据分类情况，定义transforms，进行数据类型转换等操作。划分数据集：划定训练集测试集后，再使用torch.utils.data中的DataLoader()分别加载上一步处理好的训练及测试数据，查看批处理维度.模型构建部分：Inception V1。

假设选择的激活函数是Sigmoid函数，隐藏层和输出层的输出值为a，则对于下图的三层DNN，利用和感知机一样的思路，我们可以利用上一层的输出计算下一层的输出，也就是所谓的DNN前向传播算法。填充，卷积核与图像尺寸不匹配，往往填充图像缺失区域，如果原始图片尺寸为5X5，卷积核的大小为3X3，如果不进行填充，步长为1的话，当卷积核沿着图片滑动后只能滑动出一个3X3的图片出来，这就造成了卷积后的图片和卷

数据导入及处理部分：在 PyTorch 中，我们通常先将 NumPy 数组转换为 torch.Tensor，再封装到 TensorDataset 或自定义的 Dataset 里，然后用 DataLoader 按批次加载。模型构建部分：RNN设置超参数：在这之前需要定义损失函数，学习率（动态学习率），以及根据学习率定义优化器（例如SGD随机梯度下降），用来在训练中更新参数，最小化损失函数。定义训练函

x , y​。

PyTorch是一个开源的Python机器学习库，应用于人工智能领域，如自然语言处理。它主要由Facebook的人工智能研究团队开发。