你是否还是为不懂深度学习而烦恼，你是否不知道不同的深度学习参数有什么区别，你是否还是思考什么优化器比较好，你是否不太知道激活函数和损失函数的选择which better，你是否还在思考要去哪里找代码并且去在编译器上跑出一个好丑的结果，那就快看Streamlit，他可能让本身你不懂机器学习的同学也能测试出很好的结果哦，体验深度学习的魅力。

深度学习在计算机视觉、语音识别、自然语言处理等内的众多领域中均取得了令人难以置信的性能。但是，大多数模型在计算上过于昂贵，无法在移动端或嵌入式设备上运行。因此需要对模型进行压缩，且知识蒸馏是模型压缩中重要的技术之一。现如今，知识蒸馏被广泛的用于模型压缩和迁移学习当中，这篇就是知识蒸馏的开山之作，今天我也一起读一下这篇论文，学习学习。

git rebse 操作失误回退到上一步git rebase 误操作导致文件丢失撤销并恢复文件第一步执行 git reflog查看本地操作记录找到本次rebase之前的操作id 例如：89356d0第二步 执行恢复命令git reset --hard 89356d0出现提示则输入y确认...

FastAPI 是一个用于构建 API 的现代、快速（高性能）的 web 框架，使用 Python 3.8+ 并基于标准的 Python 类型提示。文档源码快速：可与NodeJS和Go并肩的极高性能（归功于 Starlette 和 Pydantic）。最快的 Python web 框架之一。高效编码：提高功能开发速度约 200％ 至 300％。更少 bug：减少约 40％ 的人为（开发者）导致错误

百度在WAVE SUMMIT 2025大会上发布了文心大模型X1.1，这是基于文心4.5的升级版本。X1.1在事实性、指令遵循、智能体协作和工具调用等方面表现突出，能力较前代显著提升。实测显示，X1.1能自主调用工具解决复杂问题，严格遵循指令生成内容，并展现出强大的多模态和代码能力。技术层面，X1.1采用迭代式混合强化学习框架，结合知识一致性强化、指令验证器等创新，实现了"思维链+行动链"的突破。

其实 CAM 得到的效果已经很不错了，但是由于其需要修改网络结构并对模型进行重新训练，这样就导致其应用起来很不方便。CAM的缺点必须得有GAP层，否则得修改模型结构后重新训练只能分析最后一层卷积层输出，无法分析中间层仅限图像分类任务Grad-CAM解决了上述问题，基本思路和CAM是一致的，也是通过得到每对特征图对应的权重，最后求一个加权和。区别是求解权重的过程，CAM通过替换全连接层为GAP层，重

机器学习之二：回归分析1. 基本概念我们首先了解一下关于回归的基本概念。因变量（dependent variable）是函数中的专业名词，函数关系式中，某些特定的数会随另一个（或另几个）会变动的数的变动而变动，就称为因变量。如：Y=f(X)。此式表示为：Y随X的变化而变化。Y是因变量，X是自变量。因变量（dependent variable）是函数中的专业名词，函数关系式中，某些特定的数会随另一个

预测汽车油耗效率 MPG这次做一个简单的线性回归的实验，用来预测汽车的油耗效率 MPG，让我们通过这次实验，更加清晰的了解一下LinearRegression，如果想更加清晰的了解的话，可以看看吴恩达机器学习ex1 Linear Regression (python)目录Read In Data探究数据模型拆分训练集和测试集单变量线性回归搭建线性回归模型可视化结果训练集测试集模型评价多变量线性回归

一直以来，深度神经网络的可解释性都被大家诟病，训练一个神经网络被调侃为“炼丹”。所得的模型也像一个“黑盒”一样，给它一个输入，然后得到结果，却不知道模型是如何得出结论的，究竟学习到了什么知识。如果能将其训练或者推理过程可视化，那么可以对其更加深入的理解，目前深度神经网络可视化可以分为：可视化卷积核；可视化特征图；可视化激活热力图，也就是不同位置像素点对得出结果的影响程度图神经网络可视化汇总。

PyTorch Image Models（timm） 是一个优秀的图像分类 Python 库，其包含了大量的图像模型（Image Models）、Optimizers、Schedulers、Augmentations 等等.除了使用进行预训练以外，还有一个常见的预训练模型库，叫做，这个库是由来自加拿大温哥华Ross Wightman创建的。里面提供了许多计算机视觉的SOTA模型，可以当作是torc