在深度学习模型训练中，“优化器”是决定模型能否快速收敛、避免过拟合、达到最优性能的核心组件。而**指数加权平均（EWA）、动量梯度下降（Momentum）、RMSprop、Adam** 这四个算法，更是贯穿了优化器的发展历程——EWA是基础工具，Momentum解决梯度震荡，RMSprop解决学习率适配，Adam则融合三者优势成为工业界标配。

Ollama 是一个轻量级本地大模型运行环境，可以在 Windows / macOS / Linux 上运行主流开源模型。它支持：前往官网：🔗 https://ollama.com/download选择 Windows Installer (.exe) 下载。安装完成后，Ollama 会自动在系统中注册命令行工具 。打开 PowerShell 或 CMD，执行：如果输出版本号（例如 ），说明安装

机器学习周志华学习笔记-第16章<强化学习>

在深度学习领域，卷积神经网络（CNN）凭借强大的空间特征提取能力，成为图像、视频等网格结构数据处理的首选；而针对**序列数据**——比如文本、语音、时间序列（股票价格、气象数据），循环神经网络（Recurrent Neural Network, RNN）则占据了核心地位。与CNN的“静态特征提取”不同，RNN最大的优势的是“**记忆性**”，它能利用历史序列信息，捕捉数据中的**时序依赖关系**，

近年来，大语言模型（LLM）以前所未有的速度进入公众视野。从 ChatGPT 到 DeepSeek，从“能聊天”到“能干活”，模型的能力边界不断被刷新。但与此同时，**模型参数**、**Token**、**Embedding**、**自注意力**、**RAG**、**Agent** 等概念，也让不少人产生了一种“看不懂但很厉害”的距离感。

机器学习和深度学习各有分类和算法，各自适用于不同的问题。机器学习在特定任务上相对简单、易于解释，但在处理复杂模式时可能表现不佳；而深度学习通过复杂的模型能够处理高维数据，但训练成本高且需要大量数据。选择适当的算法和方法，基于具体的应用场景和数据特点，可以更好地实现问题的解决。

机器学习周志华学习笔记-第16章<强化学习>

Go语言内置的log包实现了简单的日志服务。log包定义了Logger类型，该类型提供了一些格式化输出的方法。本包也提供了一个预定义的“标准”logger，可以通过调用函数Print系列(Print|Printf|Println）、Fatal系列（Fatal|Fatalf|Fatalln）、和Panic系列（Panic|Panicf|Panicln）来使用，比自行创建一个logger对象更容易使用

勾选 Enable Go modules integration.在Environment，点击右侧的目录。到此go.mod中的依赖就不会报错了。

机器学习周志华学习笔记-第16章<强化学习>