本文摘要： 本文详细介绍了神经网络模型的前向传播过程、维度处理及训练流程实现。重点包括：1) 模型前向传播中维度转换处理，使用squeeze()方法确保预测值与标签维度匹配；2) 采用带动量(0.9)的SGD优化器进行参数更新；3) 完整训练流程实现，包含epoch循环、batch训练、验证阶段及模型保存；4) 测试阶段模型加载、推理及结果保存方法。特别说明了model.train()/eval(

1、卷积核的通道数（深度）一定和原始特征图（输入）相同，且与特征图的深度无关2、卷积核的个数决定了生成特征图的通道数（深度），且二者相等用 k 个卷积核对输入进行卷积处理，那么最后得到的特征图一定就会包含有 k 个通道。例如，输入为[ n,n,c ]，且用 k 个卷积核对其进行卷积，则卷积核的形状必定为 [ w1,w2,c,k ] ，最终得到的特征图形状必定为 [ h1,h2,k ]；其中 w1,

机器学习（Machine Learning）是人工智能（AI）的一个分支，它使计算机系统能够利用数据和算法自动学习和改进其性能。深度学习则是机器学习的一个子集，特指利用人工神经网络，通过模仿人类大脑的数据处理和模式生成能力实现自动决策的算法。与其他机器学习算法相比，深度学习的精度明显较高。人工神经网络是模拟人脑神经元的网络结构，正是人工神经网络使得深度学习成为可能。深度学习的大致原理在已知输入和输

神经元的工作就是把输入向量(x1,x2,x3,x4)与权向量(w1,w2,w3,w4)做一个内积，并且加上一个偏置值。于是需要进一步模拟生物神经元的工作方式，给定一个激活函数，让神经元能够根据输入的情况决定产生的输出有多大，即模拟生物神经元对不同信号产生不同的兴奋程度。神经元的工作方式模拟了人脑中的生物神经元，即接收输入信号、加权处理、求和后添加偏差，最后通过激活函数转换得到输出信号。输入层中每个

以前学过一点点python的基础语法（很基础），后面一直用的c。把基础捡一捡，再在这里记录一些不太熟悉的用法。

模拟真实的线性模型做一个线性回归假设有四种属性决定了一个数值，它们之间呈线性关系，即给定真实的和b，并以此生成一组随机的和，利用线性回归从随机的数据中训练出接近真实值的W和b用于生成随机数据的函数。

每一行是一组数据，每一列是一项参数class CovidDataset(Dataset): # 数据集类定义 继承Dataset类def __init__(self, file_path, mode): # 三个必备方法:__init__, __getitem__, __len__csv_data = np.array(ori_data)[1:, 1:].astype(float) # 切片 切除

广义的“学习”：指模型从数据中获取并存储知识，从而提升其在特定任务上表现的过程。主流的实现路径：对于参数化模型（如神经网络、回归模型），这条路径被成功地形式化为“最小化一个定义明确的损失函数”，并通过优化算法（如梯度下降）来更新参数。这是当今机器学习，特别是深度学习的绝对主流范式。多元的实现方法：还存在其他“学习”范式，如基于规则构建（决策树）、基于记忆存储（KNN）、基于解析求解（PCA）、基于

例如，在大量句子中，“苹果”这个词可能经常和“吃”、“水果”、“甜”、“iPhone”、“公司”等词一起出现。模型通过分析这些共现模式，学习为“苹果”生成一个向量，这个向量与“吃”、“水果”等词的向量在某个维度上相近。一句话是一种序列输入，词与词之间有先后关系，这种关系对于一个词在句中表达的意思有很大的影响，如果模型只根据一个词本身去学习它的种种含义，那么就不能完成读懂句子这样的任务。

本文摘要： 本文详细介绍了神经网络模型的前向传播过程、维度处理及训练流程实现。重点包括：1) 模型前向传播中维度转换处理，使用squeeze()方法确保预测值与标签维度匹配；2) 采用带动量(0.9)的SGD优化器进行参数更新；3) 完整训练流程实现，包含epoch循环、batch训练、验证阶段及模型保存；4) 测试阶段模型加载、推理及结果保存方法。特别说明了model.train()/eval(