对于给定数据集D{(xi​yi​i1m​，其中xi​xi1​xi2​...xid​yi​∈R。线性回归的目的是找到一个函数fxwTxb使得线性模型的预测值fx与真实值y尽可能接近。通常选用均方误差来判断其接近程度，即Ef;

YOLO（You Only Look Once）是目标检测领域最具影响力的单阶段检测算法之一。2024年发布的YOLO26作为最新版本，在网络深度和检测精度上都有显著提升。本文以YOLO26m为研究对象，从卷积神经网络基础出发，深入解析YOLO26的网络架构、核心模块工作原理，以及从图像输入到目标输出的完整检测流程。特征提取：通过11层卷积网络，将640×640×3的图像逐层抽象为20×20×51

Softmax负责把模型的"打分"转成概率，交叉熵负责告诉模型"你错在哪"。两者组合后，反向传播梯度简化为预测概率减去真实标签，这是深度学习分类任务的核心基础。pkezk∑j1Kezjpk​∑j1K​ezj​ezk​​对每个打分取指数（保证正数），再除以所有指数之和（保证加起来等于1）。打分: [2.0, 1.0, 0.1]指数: [7.39, 2.72, 1.11]模型最看好第1类（概率66%）

对于任意阶差分，其系数满足杨辉三角的系数，只需将偶数列取负值即可。，也就是距离为1的差分来近似表示微分。上式中的区别为取极限的顺序，一个是先对。微分是差分的点差趋近于0的特殊形式。在OpenCV的离散情况下，由于关于。方向的偏导数计算出的梯度来表示。在离散有界情况下，对于一维离散函数。二阶差分定义为对一阶差分的差分。合理推广，对于二维连续可积函数。同理，对于二维连续或离散函数。，也就是微分来近似计

令输入图像对应的像素矩阵为F，在第x行y列的像素值为fxy；输出图像对应的像素矩阵为H，在第x行y列的像素值为hxy。设图像滤波的核矩阵为K，在第x行y列位置的元素为kxy。则滤波后的图像H为原图像F与核KHF∗K。

由于人工智能方向涉及较多数学知识，限于篇幅原因，作者无法将其列举完全，这里挑选几个较为重要的知识点作简要介绍。有些基础数学知识已经单独在其他文档中描述，这里不再赘述。如有疑问，欢迎评论或私信留言。

模型由特征选择、树的生成及剪枝组成，既可以用于分类也可以用于回归。以下将用于分类与回归的树统称为决策树。CART是在给定输入随机变量X条件下输出随机变量Y的条件概率分布的学习方法。CART假设决策树是二叉树，内部结点特征的取值为“是”和“否”​，左分支是取值为“是”的分支，右分支是取值为“否”的分支。这样的决策树等价于递归地二分每个特征，将输入空间即特征空间划分为有限个单元，并在这些单元上确定预测

对于给定数据集D{(xi​yi​i1m​，其中xi​xi1​xi2​...xid​yi​∈R。线性回归的目的是找到一个函数fxwTxb使得线性模型的预测值fx与真实值y尽可能接近。通常选用均方误差来判断其接近程度，即Ef;