Python切片语法是数据预处理基础，熟练掌握可高效截取、清洗序列数据；主流国产大模型均兼容OpenAI协议，一套代码多模型通用，学习成本极低；结构化Prompt是AI工程化核心，明确场景+分步任务+格式约束是万能公式。

这三个文件是 LLaMA-Factory 工作流中最核心的“三驾马车”。它们分别对应了大模型微调项目的三个关键阶段：训练、体验和部署。简单来说，这是一个从“教模型”到“考模型”再到“带模型出门”的完整闭环。对应命令核心作用“教模型”。这是整个流程的起点。这个文件定义了怎么学。关键配置### model### methodstage: sft### output### trainbf16: true

1. 激活函数的核心价值是引入非线性，是深度学习拟合复杂数据的关键；2. Sigmoid、Tanh 是复古函数，仅用于特定场景，不适合深层网络；3. ReLU 是通用首选，Leaky ReLU 是优化升级版，解决核心缺陷；4. Softmax 专属多分类输出层，概率输出直观可解释。吃透激活函数，能解决新手80%的模型训练不收敛、精度上不去的问题！

YOLOv12 作为 YOLO 系列比较新的目标检测模型，在精度和速度上都有大幅提升！很多小伙伴在配置环境时担心，或者遇到依赖冲突问题。本篇教程带你，从零配置 YOLOv12 (Ultralytics) 运行环境。

机器学习入门02——新手学习的第一个回归算法：线性回归，日记，2月2日，星期一，吐槽CSDN自带的latex公式编辑器

机器学习入门01——经典的KNN算法，有讲解有案例，一篇学懂KNN算法。日记，1月29日，星期四，充电的一天

优化类别具体方法核心效果BOF（免费训练优化）Mosaic增强、Random Erase、DropBlock、标签平滑、CIoU损失不影响推理速度，显著提升检测精度，降低过拟合风险BOS（轻量推理优化）CSPDarknet53、SPP、PAN、SAM注意力、DIoU-NMS、Soft-NMS少量增加推理代价，大幅提升模型检测性能，优化多尺度、密集目标检测效果%20v%7D。

GitHub = 基于 Git 的代码托管 + 协作开发平台。程序员的 “云端代码网盘 + 协作工作台 + 项目社区”。核心功能代码托管：把项目代码存在云端版本管理：记录每一次修改，可回滚、可对比团队协作：多人一起开发同一个项目Issue（任务 / BUG 管理）：提需求、报 bug、分配任务：提交代码改动，让别人审核后合并：自动化测试CI\CD、打包、部署：免费搭建静态网站分支类型命名规范用途主

YOLOv3 是单阶段目标检测发展史上的 “集大成者”，它没有盲目追求精度，而是在保持 YOLO 系列实时性优势的前提下，通过一系列成熟的技术改进，补齐了 YOLOv2 在小目标检测、多尺度目标适配、多标签分类上的短板，成为了当时工业界最受欢迎的目标检测模型之一。

YOLOv2 不是一次颠覆性的重构，而是一次 “精益求精” 的迭代。它通过 10 余项针对性的改进，把 YOLOv1 的短板一一补齐，既保留了单阶段检测的速度优势，又大幅提升了精度与稳定性，成为目标检测史上的经典模型。后续的 YOLOv3、YOLOv4 等版本，也都是在 YOLOv2 的基础上，进一步优化 backbone、 Neck 和 Head 结构，才实现了性能的持续突破。