通过对训练图像进行旋转、缩放、翻转等操作，增加数据多样性，防止过拟合。利用预训练模型（如ImageNet上训练的模型）进行微调，适用于数据量较小的场景。常见的预训练模型包括ResNet、EfficientNet、Vision Transformer等。常见的CNN模型有LeNet、AlexNet、VGG、ResNet等。结合多个模型的预测结果，如投票集成或平均集成，提升最终分类性能。对于CNN模型

反向传播过程中，链式法则计算各层梯度： $$ \frac{\partial L}{\partial w} = \frac{\partial L}{\partial y} \cdot \frac{\partial y}{\partial w} $$均方误差（MSE）和交叉熵（Cross-Entropy）等损失函数量化预测偏差，为参数更新提供方向。浅层网络通常学习基础特征（如边缘、纹理），深层网络则组

其方法包括监督学习、无监督学习和强化学习，通常依赖人工提取的特征和传统算法（如决策树、SVM、随机森林）。机器学习依赖领域专家手动设计特征（如文本处理中的TF-IDF），深度学习通过隐藏层自动学习层次化特征（如CNN底层识别边缘，高层识别物体部件）。机器学习项目可能数天完成特征工程+模型调优，深度学习项目需数周处理数据增强、超参数搜索（如BERT需16个TPU训练4天）。线性回归、决策树等机器学习

推荐使用TensorFlow或PyTorch作为深度学习框架。使用经典MNIST手写数字数据集作为入门示例。建议逐步调整网络层数、激活函数等参数观察效果变化。

激活函数为神经网络引入非线性，使模型能够拟合复杂数据模式。没有激活函数，神经网络仅能表达线性变换，无法处理图像、自然语言等高维非线性数据。实际选择需结合任务架构实验验证，通常ReLU家族作为基线，Swish/GELU在调优阶段尝试。

Docker 是一种容器化技术，通过镜像（Image）和容器（Container）实现轻量级虚拟化。镜像包含应用及其依赖，容器是镜像的运行实例。Dockerfile 用于定义镜像构建步骤。Linux 系统通过以下命令安装：Windows/macOS 需下载 Docker Desktop 并安装。测试 Docker 是否正常工作：此命令会自动拉取官方测试镜像并运行容器。拉取 Ubuntu 镜像：查看

语言模型概率加权公式： [ \log P_{\text{total}}(y|x) = \log P_{\text{AM}}(y|x) + \lambda \log P_{\text{LM}}(y) + \gamma |y| ] 其中λ控制语言模型权重，γ调节输出长度惩罚。评估指标使用词错误率(WER)： [ \text{WER} = \frac{S + D + I}{N} \times 100%

Keras是一个高级神经网络API，基于TensorFlow、Theano或CNTK后端运行。它以用户友好、模块化和可扩展为设计目标，适合快速原型设计和生产环境部署。

text: str。

TensorBoard 是 TensorFlow 提供的可视化工具，用于跟踪和可视化模型的训练过程。它可以帮助分析模型性能、调试问题以及优化超参数。TensorBoard 支持多种功能，包括标量、图像、直方图、计算图和嵌入的可视化。