此前分享了卷积神经网络相关知识，今天实战下：搭建一个卷积神经网络来实现图像分类任务。

smooth L1说的是光滑之后的L1，是一种结合了均方误差（MSE）和平均绝对误差（MAE）优点的损失函数。：与MAE相比，Smooth L1在小误差时表现得像MSE，避免了在训练过程中因使用绝对误差而导致的梯度不连续问题（影响模型的收敛性和稳定性）。：当误差较大时，损失函数会线性增加（而不是像MSE那样平方增加），因此它对离群点的惩罚更小，避免了MSE对离群点过度敏感的问题；在多分类任务通常使

在聚类算法中根据样本之间的相似性，将样本划分到不同的类别中，对于不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。聚类算法常用于用户画像，广告推荐，Data Segmentation，搜索引擎的流量推荐，恶意流量识别等方面。一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中。2.使用k-means进行聚类,并使用CH方法评估。（一）根据聚类颗粒度分类。（二

2）增大数据的训练量，还有一个原因就是我们用于训练的数据量太小导致的，训练数据占总数据的比例过小。1）重新清洗数据，导致过拟合的一个原因有可能是数据不纯，如果出现了过拟合就需要重新清洗数据。，模型过于简单时的常用套路，例如将线性模型通过添加二次项或三次项使模型泛化能力更强。原始特征过多，存在一些嘈杂特征， 模型过于复杂是因为模型尝试去兼顾所有测试样本。，有时出现欠拟合是因为特征项不够导致的，可以添

前言：上一篇文章讲解了部分人工神经网络优化方法，这篇文章接着讲述从学习率角度出发的优化方法和其它方法。

**前言**：前面讲述了PyTorch人工神经网络的激活函数、损失函数等内容，今天讲解优化方法。简单来说，优化方法主要是从两个角度来入手，一个是**梯度**，一个是**学习率**。

前言：前一篇文章我们讲解了人工神经网络的激活函数，接下来讲解参数初始化和损失函数。

1956年夏季，以麦卡赛、明斯基、罗切斯特和申农等为首的一批有远见卓识的年轻科学家在一起聚会，共同研究和探讨用机器模拟智能的一系列有关问题，并首次提出了“人工智能”这一术语，它标志着“人工智能”这门新兴学科的正式诞生。DL：深度学习，也叫深度神经网络，大脑仿生，设计一层一层的神经元模拟万事万物。ML：机器学习，让机器自动学习，而不是基于规则的编程（不依赖特定规则编程）；：让特征更适配算法（如线性模

目前豆包（Doubao）已经集成了 **Seedream 4.0 图像模型**，支持“一句话”完成多种修图任务。

本文分享AI图像修复工具IOPaint