目标检测算法主要分为两类：两阶段（Two-Stage）和单阶段（One-Stage）。两阶段算法如R-CNN系列，先提取候选区域再进行分类和回归，精度高但速度慢。R-CNN对每个候选区域单独处理；Fast R-CNN通过共享特征图提高效率；Faster R-CNN引入RPN实现端到端训练。单阶段算法如SSD和YOLO，直接在网络中预测目标的类别和位置，速度快但精度略低。SSD利用多尺度特征图检测不

本文介绍基于卷积神经网络的图像风格迁移方法。该方法通过预训练的VGG-19网络提取内容图像和风格图像的特征，使用内容损失、风格损失和全变分损失定义优化目标，通过迭代更新合成图像。具体实现包括：预处理图像、定义特征提取网络、计算Gram矩阵表达风格特征，以及训练过程中优化损失函数。实验结果表明，该方法能有效保留内容图像的主体结构，同时迁移风格图像的艺术风格特征（如色彩分布和笔触纹理），最终生成具有艺

本文介绍了序列模型在自然语言处理中的应用，重点探讨了两种建模思想：马尔科夫假设和潜变量模型。通过Python代码示例展示了如何使用PyTorch实现序列预测任务，包括数据生成、特征提取、模型训练和预测评估。同时详细解析了文本预处理的完整流程，包括文本清洗、分词、标准化、过滤和向量化等关键步骤，并提供了基于时间机器数据集的实战代码。文章还介绍了词表构建方法，将文本转换为数字索引以便模型处理。这些技术

网络结构是卷积神经网络（CNN）发展的关键。其中，网络结构的改进至关重要。本文将介绍一种具有创新意义的卷积神经网络——NIN（Network in Network）。AlexNet和VGG对LeNet的改进主要在于如何扩大和加深这两个模块。或者，可以想象在这个过程的早期使用全连接层。然而，在每个NIN的核心创新在于引入了“微网络”（Network in Network）的概念。具体来说，每个卷积层

基于李沐课程、吴恩达课程和我自己的学习经验整理而成的笔记。

把这句话拆成三个关键词：显式——它必须是人为“加进去”的，而不是模型本来就有的；牺牲训练误差——如果不付出代价，就不叫正则化；换取复杂度下降——最终目的是降低泛化误差（测试误差）。下面是L2 权重衰减（Weight Decay）额外惩罚项 λ‖w‖² 拉高损失权重变小 → 函数更平滑，VC 维↓L1 权重衰减（Lasso）额外惩罚项 λ‖w‖₁ 拉高损失权重稀疏 → 特征选择，有效参数量↓Drop

在深度学习的发展历程中，卷积神经网络（CNN）不断推陈出新，ResNet（Residual Network）作为其中的杰出代表，以其独特的残差学习机制在图像识别领域取得了显著的成果，并推动了 CNN 的进一步发展。

以 batch-0 为例： 把 3×2×2 = 12 个数拉成一条向量： {1, 3, 5, 7, 2, 4, 6, 8, 0, 2, 4, 6}以 R 通道为例： 共有 2×2×2 = 8 个像素值：{1, 3, 5, 7, 2, 4, 6, 8}输入：手写数字灰度图，只保留 2 个像素 → 输入 x 形状 (batch, 2)。归一化维度：在 (B, H, W) 三个维度上求均值/方差，每个通

本文介绍基于卷积神经网络的图像风格迁移方法。该方法通过预训练的VGG-19网络提取内容图像和风格图像的特征，使用内容损失、风格损失和全变分损失定义优化目标，通过迭代更新合成图像。具体实现包括：预处理图像、定义特征提取网络、计算Gram矩阵表达风格特征，以及训练过程中优化损失函数。实验结果表明，该方法能有效保留内容图像的主体结构，同时迁移风格图像的艺术风格特征（如色彩分布和笔触纹理），最终生成具有艺

目标检测算法主要分为两类：两阶段（Two-Stage）和单阶段（One-Stage）。两阶段算法如R-CNN系列，先提取候选区域再进行分类和回归，精度高但速度慢。R-CNN对每个候选区域单独处理；Fast R-CNN通过共享特征图提高效率；Faster R-CNN引入RPN实现端到端训练。单阶段算法如SSD和YOLO，直接在网络中预测目标的类别和位置，速度快但精度略低。SSD利用多尺度特征图检测不