本文介绍了TensorFlow环境的搭建流程：1)推荐安装Miniconda并创建Python3.8环境；2)通过conda/pip安装TensorFlow及相关依赖，建议使用清华源加速；3)重点说明CUDA和cuDNN的两种安装方式（命令行/手动下载）；4)完成安装后需验证GPU是否可用。作者强调环境配置过程中可能出现版本冲突问题，需要耐心调试。作为人工智能方向研究生，作者欢迎交流讨论，并祝愿读

本文介绍了TensorFlow环境的搭建流程：1)推荐安装Miniconda并创建Python3.8环境；2)通过conda/pip安装TensorFlow及相关依赖，建议使用清华源加速；3)重点说明CUDA和cuDNN的两种安装方式（命令行/手动下载）；4)完成安装后需验证GPU是否可用。作者强调环境配置过程中可能出现版本冲突问题，需要耐心调试。作为人工智能方向研究生，作者欢迎交流讨论，并祝愿读

前向传播：用当前参数算出预测值和损失。反向传播：从损失开始，计算每个参数的梯度。参数更新：用 new = old - eta * gradient 更新参数。先算模型错了多少，再算每个参数对错误负多少责任，最后按责任大小调整参数。

假如我们数据中有一列动物年龄，范围是 4~17，还有一列动物价值，范围是83,000。价值一栏的数值不仅远大于年龄一栏，而且它还包含更加广阔的数据范围。这表明，欧式距离将完全由价值这一特征所主导，而忽视年龄数据的主导效果。如果欧式距离在特定机器学习模型中并没有具体作用会怎么样？缩放特征将仍能够加速模型，因此，你可以在数据预处理中，加入特征缩放这一步。特征缩放的方法有很多。但它们都意味着我们将所有的

本文介绍了TensorFlow环境的搭建流程：1)推荐安装Miniconda并创建Python3.8环境；2)通过conda/pip安装TensorFlow及相关依赖，建议使用清华源加速；3)重点说明CUDA和cuDNN的两种安装方式（命令行/手动下载）；4)完成安装后需验证GPU是否可用。作者强调环境配置过程中可能出现版本冲突问题，需要耐心调试。作为人工智能方向研究生，作者欢迎交流讨论，并祝愿读

MNIST数字分类项目旨在使用机器学习技术来构建一个模型，能够自动识别手写数字的图像。这个项目是一个经典的图像分类任务，常用于入门级机器学习和深度学习示例。我们会使用MNIST数据集，这个数据集包含了一系列28x28像素的手写数字图像，从0到9。项目的目标是训练一个模型，能够准确地将这些手写数字图像分类到正确的数字标签。