仅执行计算操作，不做其他操作，这类函数通常被称为纯函数。纯函数的特征1.只负责自己的任务，它不会更改在该函数调用前就已存在的对象或变量。2.输入相同，则输出相同，给定相同的输入，纯函数应总是返回相同的结果。React便围绕着这个概念进行设计，假设编写的所有组件都是纯函数。React的渲染过程必须自始至终是纯粹的，不改变在渲染前，就已存在的任何对象或变量。– 这将会使其变得不纯粹，也就是我们说的产生

如果没有设置则每次调用都会初始化一个新数组。

先提问，语言模型给出答案，先从答案中抽出需要关注的摘要(问题1怎么抽出摘要)，根据摘要生成问题，使用搜索引擎搜索问题看能不能找到对应资料(问题2找出对应资料就是正确的吗)，如果可以这个说明是正确的。使用大量人工智能生成的句子与人类生成的句子去训练一个分类器模型，当输出新的句子时，这个分类器可以输出这句话是人工智能生成的还是人类生成的。– 目前发现这个方法很难实现。实验1：GPT4自称可以读128k

函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值

本文介绍了机器学习中的误差类型、数据集划分、模型评估及过拟合/欠拟合现象。主要内容包括：误差类型：训练误差（训练集误差）和泛化误差（新数据误差，重点关注对象）。数据集划分：训练集：训练模型参数验证集：调整超参数（通过K折交叉验证优化）测试集：最终评估模型（仅使用一次）过拟合与欠拟合：过拟合：训练误差低但泛化误差高，因模型过于复杂欠拟合：训练和泛化误差都高，因模型过于简单最优模型容量应在两者间取得平

函数的输入是b和w，函数的输出是输入某个特定的b和w，模型结果是是好还是不好L越大说明模型不好，L越小说明模型好假设有一个损失函数L(0.5k,1) ，模型为y=b+wx1 => y=0.5k+1x1(k是千人的意思)训练数据(本案例过去的订阅次数)输入到模型(函数)中，比如x输入1月1日订阅人数4.8k，计算得到模型预测的y(1月2日订阅人数)为5.3k，但实际只有4.9k求取估测的值跟实际的值

Full Connected Layer弹性最大=> Full Connected的network可以选择看一张图片还是看图片的部分，如果需要看图片的部分只需要将weight设置成0不需要看整张图，只需要看图片的一小部分就可侦测出重要的Pattern=> 这一小部分被称为=> 弹性会变小Model的弹性很高时容易导致弹性很好可以做各式各样的事情但没办法在每个任务表现很好。CNN存在。

计算图是表示计算过程的有效工具，由节点和边组成。正向传播从左到右计算，保存中间结果；反向传播从右到左传递梯度，基于链式法则计算导数。神经网络中的反向传播从损失函数开始，逐层求导传递梯度。加法节点反向传播直接传递上游值，乘法节点则需乘以正向输入的翻转值。激活函数层如ReLU和Sigmoid的反向传播实现各异：ReLU根据输入是否大于零决定是否传递梯度，Sigmoid的输出梯度与正向输出y相关。Aff

本文介绍了机器学习中的误差类型、数据集划分、模型评估及过拟合/欠拟合现象。主要内容包括：误差类型：训练误差（训练集误差）和泛化误差（新数据误差，重点关注对象）。数据集划分：训练集：训练模型参数验证集：调整超参数（通过K折交叉验证优化）测试集：最终评估模型（仅使用一次）过拟合与欠拟合：过拟合：训练误差低但泛化误差高，因模型过于复杂欠拟合：训练和泛化误差都高，因模型过于简单最优模型容量应在两者间取得平

中正在挂载的组件进行重新获取操作，如果组件被卸载（比如离开了当前页面组件等），并不会执行上述操作。， 只记录工作中使用到的主要功能，在使用中会不断更新，关于返回值等具体参数可以通过打印返回值查看。在内部基于查询键值来管理查询缓存，可以理解为依赖，如果依赖变化那么会重新发送查询请求。去查找状态树中是否有可用的数据，如果有则直接返回，否则则会发起请求，并将请求结果以。，比如在获取用户数据时，为了UI不