如何进行迁移学习对迁移模型进行微调：微调全连接层微调卷积层（本篇未写），原理相同，可自行尝试注意：原本的模型参数务必要冻结住，那是已经调好的，可以节省计算时间。仅需要调整修改部分的参数。

Series 的数据结构是非常有用的，因为它可以处理各种数据类型，同时保持了高效的数据操作能力，比如可以通过标签来快速访问和操作数据。Pandas 是数据科学和分析领域中常用的工具之一，它使得用户能够轻松地从各种数据源中导入数据，并对数据进行高效的操作和分析。用得最多的pandas对象是Series，一个一维的标签化数组对象，另一个是DataFrame，它是一个面向列的二维表结构。在数据结构中，每

多维数组：张量可以看作是一个n维数组，其中n可以是任意正整数。它可以是标量（零维数组）、向量（一维数组）、矩阵（二维数组）或具有更高维度的数组。数据类型统一：张量中的元素具有相同的数据类型，这有助于在GPU上进行高效的并行计算。支持GPU加速：PyTorch中的张量可以存储在CPU或GPU上，通过将张量转移到GPU上，可以利用GPU的强大计算能力来加速深度学习模型的训练和推理过程。

正则化惩罚目的：为了防止模型过拟合。

ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。ResNet残差网络有两个核心特征：1. 残差结构；残差结构：防止退化。BN：减少梯度消失和梯度爆炸问题。

然而，SVM的训练速度较慢，且对参数选择敏感。支持向量机是一种二分类模型，其基本思想是找到一个超平面，将不同类别的数据分隔开，并且使得两类数据点到超平面的距离（即间隔）最大化。对于非线性问题，SVM通过核函数将数据映射到高维空间，使其在高维空间中线性可分。SVM的核心目标是找到一个最优超平面，使得两类数据点的间隔最大化。其中，(yi) 是样本的标签（取值为 +1 或 -1），(xi) 是样本特征。

我们经常使用线段终点的点的坐标表示向量，例如下面的向量可以表示为（3,2），不过只有一个（3,2）本身是不能够精确表示一个向量的，我们仔细看一下，这里的坐标（3,2）实际上表示的是向量在x轴上的投影值3，在y轴上的投影值为2。以上图为例，可以看出如果向x轴投影，那么最左边的两个点会重叠在一起，中间的两个点也会重叠在一起，于是本身四个各不相同的二维点投影后只剩下两个不同的值了，这是一种严重的信息丢失

如，对下表中的第一条数据（ [ 阴天，寒冷，强 ] ）：首先从根结点出发，判断 “天气” 取值，而该数据的 “天气” 属性取值为 “阴天”，从决策树可知，此时可直接输出决策结果为 “举行”。在决策树中，若把每个内部结点视为一个条件，每对结点之间的有向边视为一个选项，则从根结点到叶结点的每一条路径都可以看做是一个规则，而叶结点则对应着在指定规则下的结论。一种很直观的思路是：如果按照某个特征对数据进行

卷积神经网络能够将变换的物体识别出来。卷积神经网络的结构：由输入层、卷积层、激活层、池化层、全连接层、输出层组成。什么是感受野。

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向。从上方的内容包含结果，我们可以知道，在学习深度学习之前，我们还需要了解一下什么是。