迁移学习通过复用预训练模型加速训练并提升性能，尤其在数据稀缺时有效。传统深层网络面临梯度消失/爆炸与退化问题，ResNet通过残差连接实现恒等映射，缓解梯度问题并防止性能下降。结合BatchNormalization稳定输入分布、加速训练并增强泛化。迁移学习步骤包括：选择预训练模型、冻结部分参数、训练新增层、微调特定层，并评估优化效果。

本文系统讲解神经网络训练中学习率的重要性及其调整策略，包括固定学习率的局限性与动态调整的必要性。介绍了StepLR和ReduceLROnPlateau两种常用调度方法，前者按周期衰减，后者基于验证指标自适应调整。结合完整代码实现，涵盖数据集构建、图像增强、自定义Dataset、CNN模型设计及验证流程，全面展示从数据处理到模型训练的全流程，助力高效、稳定地训练深度学习模型。

该代码实现20类食物图像分类闭环流程：通过train_test_file()生成标签索引，确保训练与测试标签一致；数据增强包括随机旋转、翻转、色彩调整及灰度转换，提升模型鲁棒性；自定义Dataset读取路径与标签，统一转为三通道RGB并标准化；CNN模型采用三层卷积+池化结构，最终展平分类；使用CrossEntropyLoss与Adam优化器训练，保存最优模型，并支持灰度图测试。

本实验基于EigenFace算法，使用4张人脸图像（黎明2张、安志杰2张）训练识别器，通过OpenCV实现灰度化、尺寸统一、PCA降维及特征脸提取。利用cv2.face.EigenFaceRecognizer_create()进行训练与预测，对测试图像输出身份标签与置信度，并在图像上标注结果。核心原理为将人脸投影至低维特征脸空间，通过欧式距离匹配识别。实验完整演示了人脸识别流程，有助于理解PCA降

代码逻辑非常清晰，完全按照深度学习的标准流程走：数据加载 -> 定义模型 -> 训练 -> 测试。首先导入代码所用到的相关模块代码root="data"是数据存放路径；train=True是加载训练集；transform=ToTensor()是将图片转换为pytorch能够处理的张量，并进行归一化。这是一种三层全连接神经网络（MLP）：nn.Flatten()(展平层)：MNIST 的原始图片是一

标准化，即对每个特征单独执行“减去该列均值再除以该列标准差”的运算，使得每个特征变换为均值为0、方差为1的标准正态分布数据，并将标准化后的四列特征组装成一个新的DataFrame对象data。方法计算出模型在训练集上的自测准确率，以此验证模型对已知数据的拟合记忆程度；设置为7的KNN分类器对象（选择奇数主要是为了在二分类情形下避免平票，虽然鸢尾花为三分类问题，但此处延续了奇数邻近值的习惯用法），并

今天学习了机器学习的相关基础知识，其中重点学习了KNN算法，KNN说白了，就是提取与目标最近的K个邻居，其中哪种邻居占数较多，那么目标就属于那个种类。

本文介绍了线性回归的基本概念及其在血压预测中的应用。通过最小二乘法计算权重，利用R²评估特征解释目标变量的能力。实践部分演示了如何使用Python处理GBK编码的CSV文件（包含体重、年龄和血压数据），构建线性回归模型，并计算模型拟合优度R²。重点解决了中文编码问题和Windows环境下的文件读取注意事项，最终输出体重和年龄对血压波动的解释程度。

摘要：逻辑回归通过线性组合和Sigmoid函数将特征值转换为概率（0-1），以0.5为阈值进行分类。实践案例中，对信贷数据预处理（标准化金额特征、剔除时间列），处理样本不均衡问题后，按7:3划分训练测试集。使用正则化强度C=0.01的逻辑回归模型训练，测试集准确率达99.91%。核心步骤包括特征工程、数据拆分、模型训练与评估。

代码为MultinomialNB(alpha=1).fit(X_train, y_train)，作用为让模型“吃透”训练数据，计算出朴素贝叶斯公式所需的所有关键概率参数，生成一个训练好的分类器对象。代码为train_test_split(test_size=0.2, random_state=100)，作用为80%训练，20%测试，固定随机种子保证可复现。代码为classifier.score(X