线性回归和 Softmax 回归是深度学习中的基础模型，分别适用于连续值预测和多类分类任务。梯度下降算法是它们背后重要的优化手段，通过不断沿着梯度反方向更新参数，逐步减小损失函数值，从而找到最优的模型参数。小批量随机梯度下降凭借其在效率和稳定性之间的良好平衡，成为了深度学习中的默认求解算法。而学习率和批量大小这两个超参数，对模型的训练效果和效率有着关键影响，需要根据具体任务进行合理选择。

最经典的案例是 CIFAR-10 数据集，包含飞机、汽车、鸟、猫、鹿、狗、青蛙、马、船、卡车 10 个类别 —— 模型只需判断一张图像属于这 10 类中的哪一类即可。这类任务中，类别间特征差异明显，比如 “飞机” 的机翼形状、“船” 的水上形态，模型较易学习到区分特征，是入门者的常用练习场景。实例级分类是图像分类的最高层次，目标是区分同一子类下的不同个体。这类任务中，个体间的差异可能极其细微（如人

图像分割的本质，是将图像中的每个像素分配到特定类别，从而实现目标轮廓的精准预测。与图像分类（整图标注类别）、目标检测（框选目标位置）不同，它是一种 “细粒度分类”—— 小到一个细胞的边缘，大到自动驾驶中的路面区域，都需要通过分割明确像素归属。

以更低的参数量、更高的效率，自动学习图像的层次化特征—— 从底层的边缘、纹理，到中层的形状、结构，再到高层的物体、语义，完美契合人类视觉的认知逻辑。LeNet 开启了 CNN 的先河，AlexNet 推动 CNN 进入深层时代，而后续的 VGG、ResNet 等架构则在 “更深、更高效” 的方向上不断突破。未来，随着算力的提升和算法的创新，CNN 将在图像分割、目标检测、自动驾驶等领域发挥更大的作

从性能来看，在精度与速度的平衡上，YOLOv4 表现亮眼。从 PPT 中的对比图能看到，它在 FPS（帧率）和精度指标上，全面超越 YOLOv3，同时优于 ASFF、Center Mask 等模型，甚至在部分场景下可与 EfficientDet 媲美，真正实现了 “Optimal Speed and Accuracy”。此外，YOLOv4 的工作量极大，做了全面的消融实验，几乎涵盖了当时能尝试的改

贝叶斯定理解决了 “由果推因” 的问题，但如果数据有多个特征（比如邮件包含多个单词），计算 “多特征的联合似然” 会非常复杂。这就是 “朴素” 的核心含义 —— 虽然这个假设在现实中不一定完全成立（比如文本中 “机器学习” 和 “人工智能” 可能相关），但它能让模型变得简单、高效，且在很多场景下效果很好。这是我们熟悉的概率计算 —— 已知 “原因”（球的比例），求 “结果”（摸出某颜色球的概率），