本文记录一次在 ARM + Ubuntu 24 + RTX 4090 环境下本地部署 SDXL 的完整过程，包括依赖安装、Hugging Face 镜像测试、模型最小集合下载、本地模型加载以及图片生成测试。实测表明，该环境下已经可以成功跑通 SDXL 本地推理流程并生成图片，虽然当前生成效果还有待进一步优化，但整体链路已经打通，可作为后续小说分镜图、图生视频和批量内容生产的基础模块。

很多同学学习 `PolynomialFeatures(degree=2)` 时都会疑惑：既然是多项式回归，为什么模型还是 `LinearRegression`？本文从“线性”真正含义出发，说明多项式回归并不是更换模型，而是先把原始特征扩展为 \(x\)、\(x^2\) 等，再交给线性回归拟合。文章结合公式与代码，帮助学生理解“对特征非线性、对参数线性”的本质区别。

图像任务真正难的地方，从来不只是“图片能不能变成数字”，而是：这些数字之间是什么关系？图像和普通表格数据到底有什么不同？把图片直接展平之后，模型到底失去了什么？这篇文章就专门把这个问题讲清楚。

反向传播是神经网络训练中的核心机制，本文围绕“反向传播到底在做什么”展开，重点解释：训练的目标是让损失函数变小，而模型真正能调整的是参数 。在多层网络中，前面层的参数并不会直接影响最终损失，而是通过中间层逐步影响输出，因此必须借助链式法则，把损失对各层参数的影响一层层算回去。文章结合三层小网络示例，从前向计算、损失计算到梯度回传，帮助理解为什么多层网络不仅是“更大”，更关键的是它形成了中间表示和更

梯度下降并不神秘，它解决的是“参数该往哪个方向改，才能让损失变小”这个问题。训练时，输入和标签是已知量，真正需要不断调整的是模型参数，比如权重和偏置机器一开始并不会分类，而是通过样本不断修正参数，慢慢学会判断规则 。因此，梯度下降本质上就是围绕损失函数展开：先用损失衡量预测和真实答案之间的差距，再根据损失对参数的变化趋势去更新参数。

本文围绕“为什么一个神经元不够”展开，重点说明单个神经元虽然已经能够完成最基础的分类决策，但它本质上仍然只是一个线性分类器，因此很快会碰到表达能力边界。文章以“圆形内外分类”为主要案例，展示单层线性模型为什么无法学出圆形边界，并进一步说明多层网络开始有能力解决这类问题的根本原因：隐藏层和非线性激活使模型能够逐步组合简单变换，从而表示更复杂的分类结构。这也是多层感知机 MLP 比单层模型更强的核心原

本文围绕“为什么线性模型不够用”展开，重点说明线性模型的核心限制不在于参数多少，而在于它只能表达线性关系。文章通过 XOR 这一经典例子，先用二维图说明正负样本为什么无法被一条直线分开，再通过三维特征映射展示数据表示方式变化后分布结构如何改变。这表明有些问题不是训练不够，而是模型本身的表达能力不够。理解这一点，是从简单模型走向更强表达模型的重要基础。

围绕损失函数的基本作用，解释它到底在衡量什么。文章重点补充了两个关键点：第一，损失函数直接是关于真实标签和预测结果的函数，进一步展开后也可以看成关于模型参数的函数；第二，通过均方误差、二分类交叉熵和多分类交叉熵的具体数值例子，可以直观看到损失如何反映“预测离真实答案有多远”。同时，文章也进一步解释了为什么多分类交叉熵在 one-hot 标签下看起来只直接使用正确类别的概率，但错误类别仍然会通过 s

本文围绕分类模型输出层中的 sigmoid 和 softmax，解释模型为什么不能直接输出类别，以及这两个函数分别在做什么。文章重点说明：类别编号本质上只是标签，不具备可直接优化的连续意义，因此模型通常先输出一组原始分数。sigmoid 用于把单个数值压缩到 0 到 1 之间，适合二分类；softmax 用于把一组分数转换成总和为 1 的概率分布，适合单标签多分类。通过公式、代码和图示，可以更直观

本文从分类模型的基本工作方式出发，说明模型究竟是怎样做出判断的。文章重点解释：分类模型通常不会直接输出类别，而是先根据输入和参数计算出一组类别分数，再从中选出分数最高的类别作为预测结果。通过一个最小示例，可以直观看到输入、权重、偏置、输出分数和最终预测之间的关系。理解这一点，是后续继续讨论 sigmoid、softmax、损失函数和训练过程的基础