什么是ResNet ResNet，即残差网络（Residual Network），是一种深度学习架构，它通过引入残差学习框架解决了随着网络层数增加而训练难度增大的问题。ResNet由Kaiming He等人在2015年提出，并在多个视觉识别任务中取得了突破性的成绩。 Resnet在cnn图像方面有着非常突出的表现，它利用 shortcut 短路连接，解决了深度网络中模型退化的问题。

长短期记忆网络 LSTM 长短期记忆网络（Long Short-Term Memory，简称LSTM）是一种特殊的递归神经网络（RNN），它被设计用来解决传统RNN在处理长序列数据时遇到的梯度消失或梯度爆炸问题。LSTM通过引入三个门控机制来控制信息的流动，从而能够学习到长期依赖关系。 LSTM的关键组成部分包括： 遗忘门（Forget Gate）：决定从上一个状态中丢弃哪些信息。遗忘

RNN 循环神经网络简介 RNN，即循环神经网络（Recurrent Neural Network），是一种适合于序列数据的深度学习模型。RNN的核心特点是它能够处理序列中的前后依赖关系，即当前的输出会作为下一个时间步的输入。这种特性使得RNN在处理时间序列数据、自然语言处理等领域有着广泛的应用。 RNN的基本结构包括输入层、隐藏层和输出层。隐藏层的神经元会将前一时间步的输出作为当前时间步的

GoogLeNet简介 GoogLeNet在2014年由Google团队提出，斩获当年ImageNet竞赛中Classification Task (分类任务) 第一名。 GoogLeNet的优势 引入了Inception结构（融合不同尺度的特征信息） 使用1x1的卷积核进行降维以及映射处理 添加两个辅助分类器帮助训练 丢弃全连接层，使用平均池化层（大大减少模型参数)

VGG 简介 VGG（Visual Geometry Group）网络是一种卷积神经网络模型，由牛津大学的视觉几何组和谷歌DeepMind共同提出，它在2014年的ImageNet挑战赛中取得了优异的成绩。VGG网络以其简单而有效的结构而著称，其核心思想是通过堆叠多个小尺寸的卷积核（如3x3）来构建深层网络，从而减少模型的参数数量，同时保持了网络的深度和性能。 conv的stride

AlexNet简介 AlexNet是2012年ISLVRC 2012（ImageNet Large Scale Visual Recognition Challenge）竞赛的冠军网络，分类准确率由传统的 70%+提升到 80%+。它是由Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，深度学习开始迅速发展。 AlexNet的优势 论文中采用多个GPU

LeNet官网Demo示例 比较基础，不多赘述~~ 模型构建 12345678910111213141516171819202122232425262728class LeNet(nn.Module): def __init__(self): super(LeNet,self).__init__() # 输入特征层的channel（in_channels）与

支持向量机 从几何学上更加直观的方法进行求解，如下图所示： 上图展示了支持向量机分类的过程。图中\(wx十b=0\)为分割直线，我们通过这条直线将数据点分开。与此同时，分割时会在直线的两边再设立两个互相平行的虚线，这两条虚线与分割直线的距离一致。这里的距离往往也被我们称之为「间隔」，而支持向量机的分割特点在于，要使得分割直线和虚线之间的间隔最大化。同时也就是两虚线之间的间隔最大化。 对于

朴素贝叶斯 一名叫做lh的同学买西瓜。 卖西瓜的老板bjy告诉lh说：“我的瓜起码60%都是熟瓜。” 先验概率是根据以往的经验得到的，其不受任何条件的影响，只根据常识 此时，又有一位不讲武德的小同志ccz也来买瓜，ccz有一手看瓜绝活，他能通过观察瓜蒂是否脱落判断瓜是否是熟瓜。 后验概率：若将瓜蒂脱落当作一种结果，去推测西瓜成熟的概率，这个概率被称之为后验概率 小同

在解决分类问题的过程中，K 近邻算法（简称：KNN）是一种简单而且实用的方法。但KNN不仅可以实现分类问题也可以实现回归问题 K-最近邻（K-Nearest Neighbors，KNN）算法是一种基本的分类和回归方法，它的工作原理非常直观：通过测量不同特征值之间的距离来进行预测。 基本概念 距离度量：KNN 算法通常使用欧氏距离来衡量样本之间的相似度，但也可以采用曼哈顿距离、切比雪