print(f"使用 join() 方法耗时: {end_time - start_time:.4f} 秒")print(f"原始字符串是否改变: {str4 is str_strip}")# 输出: False。print(f"使用 + 操作符耗时: {end_time - start_time:.4f} 秒")print(f"原始字符串 ID: {id(original)}")print(f"

print(f"使用 join() 方法耗时: {end_time - start_time:.4f} 秒")print(f"原始字符串是否改变: {str4 is str_strip}")# 输出: False。print(f"使用 + 操作符耗时: {end_time - start_time:.4f} 秒")print(f"原始字符串 ID: {id(original)}")print(f"

，增就是添加，删就是删除，查就是获取对象，包括单个和多个元素的获取（切片），改就是修改，下面具体地介绍一下各个数据结构的基本操作。括起来的部分，每一项包括2个子项，键key和值value，键一般是字符串，键值对用冒号（：）分开，每一项也是用逗号（，）分开。print(f"使用 join() 方法耗时: {end_time - start_time:.4f} 秒")print(f"使用 + 操作符耗

，增就是添加，删就是删除，查就是获取对象，包括单个和多个元素的获取（切片），改就是修改，下面具体地介绍一下各个数据结构的基本操作。括起来的部分，每一项包括2个子项，键key和值value，键一般是字符串，键值对用冒号（：）分开，每一项也是用逗号（，）分开。print(f"使用 join() 方法耗时: {end_time - start_time:.4f} 秒")print(f"使用 + 操作符耗

再来看一下序列T_seq和通道channel，RNN系列的序列T_seq是指一个连续的输入，比如一句话，一周的股票信息，而且这个序列是有时间先后顺序且互相关联的，而CNN系列的通道channel则是指不同角度的特征，比如彩色图像的RGB三色通道，过程中每个通道代表提取了每个方面的特征，不同通道之间是没有强相关性的，不过也可以进行融合。输入不是序列而输出为序列的情况怎么处理？但卷积神经网络并不能处理

以下是反向传播算法的基本步骤：正向传播：将输入特征通过网络前向传递，输出网络的预测值。计算预测误差：将网络的预测值与真实值（标签）代入损失函数，计算得到网络的预测误差。反向传播：根据链式法则，将输出层的预测误差回传到前面各层，逐层计算预测误差对每个参数的导数。计算参数更新值：根据预测误差对每个参数的导数，结合设置的超参数学习率，计算每个参数的更新量（一般是导数*学习率，这就是优化算法作用的位置，可

再来看一下序列T_seq和通道channel，RNN系列的序列T_seq是指一个连续的输入，比如一句话，一周的股票信息，而且这个序列是有时间先后顺序且互相关联的，而CNN系列的通道channel则是指不同角度的特征，比如彩色图像的RGB三色通道，过程中每个通道代表提取了每个方面的特征，不同通道之间是没有强相关性的，不过也可以进行融合。输入不是序列而输出为序列的情况怎么处理？但卷积神经网络并不能处理

前面的文章我们已经从模型角度介绍了损失函数，对于神经网络的训练，首先根据特征输入和初始的参数，前向传播计算出预测结果，然后与真实结果进行比较，得到它们之间的差值。损失函数又可称为代价函数或目标函数，是用来衡量算法模型预测结果和真实标签之间吻合程度（误差）的函数。通常会选择非负数作为预测值和真实值之间的误差，误差越小，则模型越好。有了这个损失函数，我们便可以采用优化算法更新网络参数，使得训练样本的平

前面的文章我们已经从模型角度介绍了损失函数，对于神经网络的训练，首先根据特征输入和初始的参数，前向传播计算出预测结果，然后与真实结果进行比较，得到它们之间的差值。损失函数又可称为代价函数或目标函数，是用来衡量算法模型预测结果和真实标签之间吻合程度（误差）的函数。通常会选择非负数作为预测值和真实值之间的误差，误差越小，则模型越好。有了这个损失函数，我们便可以采用优化算法更新网络参数，使得训练样本的平

例如，在VGG中，使用了3个3x3卷积核（27个参数）来代替7x7卷积核（49个参数），使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。VGG网络层的深度是可调整的，其核心在于设计了多组卷积块，每组卷积块由多个相同的小尺寸（一般为3*3）的卷积核组成，卷积核填充为1，卷积核保持输入特征图的高和宽不变，然后