DeepSeek 的显式推理不是一个简单的功能升级，而是大模型发展史上的一个里程碑。打破了闭源模型的垄断，让推理能力成为全人类的共同财富解决了 AI 的黑盒问题，让 AI 第一次可以进入高风险、高价值领域改变了大模型的本质，让它从 "生成工具" 进化为 "思考伙伴"指明了未来的发展方向，让整个行业从 "堆参数" 转向 "优化推理"

axis=0上下压扁，行消失axis=1左右压扁，列消失通用规则对哪个 axis 操作，就沿着这个轴 “捏扁”，最后这个轴就没了这个理解方式在深度学习里100% 通用：softmax、归一化、求和、均值、拼接全是这个逻辑。

学习率 = 模型改错的步长梯度管方向，学习率管大小太大：模型震荡、学废、出 NaN太小：训练极慢、收敛不了合适：模型快速学好，精准预测。

✅你的理解完全正确：激活函数的核心作用，就是打破线性限制，给神经网络引入非线性表达能力，让模型从只能处理线性关系，升级到能拟合任意复杂非线性关系，这才是深度学习能变强的根本原因。

本篇笔记用于快速回顾多层感知机（MLP）核心知识，涵盖线性模型的局限性、隐藏层作用、激活函数、手动实现与 PyTorch 简洁实现，适配 Fashion-MNIST 分类任务，帮助快速复盘、查漏补缺。多层感知机是深度学习的基础，核心是通过隐藏层 + 激活函数打破线性限制，实现非线性拟合。原理：线性变换 → 非线性激活 → 线性输出实战：从零实现理解原理，简洁实现用于工程重点：激活函数的作用、GPU

✅（太笨，学不会知识）✅（太死，只会背原题，不会举一反三）

复习日期：2026-04-29学习内容：《动手学深度学习》4.4 节 过拟合 & 欠拟合、多项式回归实验适配环境：Python3.9 + PyTorch2.6.0 + RTX4070 Laptop GPU。

在一个范围里，每个数字被抽到的概率完全相等，没有任何偏向！中间的数字出现概率最高，越往两边概率越低，像一口钟！

name：工具的唯一标识，Agent 通过名称匹配执行对应的函数：工具的功能语义描述，模型依靠它判断 “什么时候该用这个工具”，描述越精准，调用准确率越高parameters：工具的入参规范，模型会按照这个格式从用户问题中提取对应参数工具调用（Function Calling）是大模型能力的重要拐点：它让大模型突破了自身静态知识的边界，获得了对接真实世界的能力。而 Agent 正是这套能力的载体与

核心诉求：工程级代码生成、复杂逻辑推理、跨文件上下文理解、Agent 任务规划与工具调用（Function Calling）。核心诉求：超长上下文窗口（阅读数十篇PDF文献）、学术语言规范、严密的逻辑推演、图表数据解析、格式化排版。为了达到最强效果，建议不要只用一个模型，而是采用 “组合拳”工作流：总结：