知还。

神经网络如何把“温度和烘焙时间”变成一个预测概率？Dense(3) 为什么输出三个数？课程里的 $a_j^{[\ell]}$，右上角和右下角分别表示什么？ 这篇笔记从咖啡豆烘焙案例出发，逐个神经元展开计算，再对应到 TensorFlow 代码，最后推广到课程中的手写数字识别网络。 1. 先看清网络：输入层与计算层咖啡豆案例有两个输入特征：温度与烘焙时间。示例网络包含一个有 3 个神经元的隐藏层，以及一个有 1 个神经元的输出层。 本文统一采用以下编号： 输入记为第 0 层，$a^{[0]}=x$。 第 1 层是隐藏层，输出为 $a^{[1]}$。 第 2 层是输出层，输出为 $a^{[2]}$。 因此，咖啡豆网络有 2 个参与学习的 Dense 层。输入负责提供数据，没有这一类权重与偏置。 课程手写数字截图需要特别看清：从 $x$ 后面开始，25 个神经元是第 1 个隐藏层，15 个神经元是第 2 个隐藏层，最后 1 个神经元是第 3 层，也就是输出层。25 个神经元的那一列不是原始输入层。所以那个网络的最终输出是 $a^{[3]}$，咖啡豆网络的最终输出则是 $a ...

这篇文章只使用 Typora 官方文档给出的两种写法：行内公式用单个美元符号，独立公式用单独成行的两个美元符号。 不使用图片或其他公式定界符，便于单独检查数学渲染。 在 Typora 中测试行内公式前，请先到「偏好设置 → Markdown → 数学公式」启用「行内公式（Inline Math）」，然后重启 Typora。独立公式与行内公式的开关不同，所以可能出现“独立公式正常、行内公式显示源码”的情况。 Hexo 是否显示数学公式，还取决于博客安装的数学渲染插件及主题配置；Typora 显示正常不代表 Hexo 一定正常。 1. 最简单的独立公式$$a+b=c$$ 预期：上面单独显示一条排版后的公式，没有原始美元符号。 2. 分数与上下标$$J(w,b)=\frac{1}{2m}\sum_{i=1}^{m}\left(f_{w,b}(x^{(i)})-y^{(i)}\right)^2$$ 预期：分数、求和号、上下标正常显示。这是线性回归的代价函数。 3. 行内公式这里的 $x$ 是输入，$w$ 是权重，$b$ 是偏置。线性回归的预测写成 $f_{w, ...

这篇笔记按吴恩达《机器学习专项课程》对应视频前 36 集的学习顺序整理：先认识线性回归及代价函数，再学习梯度下降、多特征与学习率，然后进入逻辑回归，最后讨论过拟合和正则化。该视频的第 37 集是访谈，第 38 集开始讲神经网络，因此本文停在线性回归和逻辑回归的正则化。文中也专门回答我之前容易混淆的几个问题：**z、e、f 到底是什么；f、单样本损失 L 和总体代价 J 有什么关系；为什么公式中有 1/2。** 记号约定：m 表示样本数，n 表示特征数；第 i 个样本的特征和真实值记为 x^(i)、y^(i)；w 是特征权重，b 是偏置。图片中的上标 (i) 表示“第几个样本”，下标 j 表示“第几个特征”。 1. 线性回归：预测连续数值线性回归用来预测房价、温度、销量等连续数值。只有一个特征时，可以把模型看成一条直线： 这里的 x 是输入，w 决定斜率，b 决定整体上下平移，f 是模型给出的预测值。若同时用面积、房龄等多个特征，模型变成： 先用权重和偏置得到预测值，再比较它与真实值的距离，才能知道模型好不好。对一条样本，可用平方误差表示损失： 把所有 m 条样本的损失加起来并 ...

学完 KNN 后，一个自然的问题是：邻居数量应该设为 3、5，还是其他值？某一次测试准确率高，就能说明这个参数好吗？ 这篇文章从我学习时遇到的几个疑惑出发，梳理交叉验证与网格搜索的关系，再用鸢尾花数据集实现完整流程。 先记住两个分工：交叉验证负责评估一组参数，网格搜索负责尝试不同参数组合。 一、先分清三个概念 数据部分 作用 是否参与当轮模型训练 当轮训练集 拟合模型 是 当轮验证集 评价当前参数配置，辅助选参 否 独立测试集 选参结束后评估最终模型 否 本文采用“先留出测试集，再在训练部分内部做交叉验证”的流程： 123全部数据├── 训练部分 → 交叉验证与参数选择 → 使用全部训练部分重新训练└── 独立测试集 → 最后评估 交叉验证中的验证集，是从训练部分里轮流划出来的。它与最后保留的独立测试集不是同一回事。 二、5 折交叉验证，是把 20 条再细分吗？假设参与交叉验证的训练部分有 100 条数据，做 5 折交叉验证： 将这 100 条分为 5 份，每份 20 条。 每轮拿其中一份作为验证集。 剩余四份共 80 条作为当轮训练集。 一共做 5 轮， ...

KNN 是一个适合机器学习入门的算法：遇到一个未知样本，就在已知样本中找出与它最相似的几个，再根据这些邻居的答案做判断。 本文以鸢尾花分类为例，记录从加载数据、划分数据集，到标准化、训练、预测和评估的完整过程，并解释 fit()、predict() 和 score() 分别做了什么。 一、KNN 算法是什么？KNN 全称是 K-Nearest Neighbors，中文叫 K 近邻算法。K 表示参考的邻居数量。 本文讨论的是 KNN 分类：给定一条待预测样本，查找训练集中距离它最近的 K 条样本，根据这些邻居的类别投票。 例如 K=3，最近的三个邻居分别属于： 123邻居 A → 类别 1邻居 B → 类别 1邻居 C → 类别 2 采用每个邻居一票的规则时，类别 1 获得两票，因此预测结果是类别 1。 KNN 也可以用于回归，通常根据邻居的目标值求平均或加权平均；本文先关注分类。 1. 到底按什么排序？刚接触 KNN 时，一个容易出现的误解是：“是不是把每个特征分别升序排列？” 实际上，比较的是每条训练样本与待预测样本之间的距离，各个特征列不会被单独排序。 每条样本的全 ...

1.机器学习分类机器学习大致分为 监督学习，无监督学习两类 2.线性回归模型真实值 预测值在线性回归中，$f_{w,b}(x)$ 就是预测值 $\hat{y}$，两者表示相同的含义，即： $$\hat{y}=f_{w,b}(x)=wx+b$$ 其中，$x$ 是输入特征，$w$ 是权重或斜率，$b$ 是偏置或截距；$\hat{y}$ 表示模型计算出的预测值，$y$ 表示数据中的真实值。因此，模型的预测误差可以写成： $$\hat{y}-y=f_{w,b}(x)-y$$ 线性回归的目标是不断调整参数 $w$ 和 $b$，使预测值 $\hat{y}$ 尽可能接近真实值 $y$，从而减小代价函数 $J(w,b)$。 线性回归的代价函数 J(w,b)在线性回归中，模型的预测函数为： $$f_{w,b}(x^{(i)})=wx^{(i)}+b$$ 其中，$w$ 表示直线的斜率，$b$ 表示截距，$x^{(i)}$ 表示第 $i$ 个样本的输入，$y^{(i)}$ 表示该样本的真实值。 为了衡量模型预测值与真实值之间的差距，通常使用平方误差代价函数： $$J ...

青少年数据集1.ChildGuard（多国：澳大利亚、阿联酋、印度、沙特、美国）针对儿童/青少年的仇恨言论数据集，包含351,877条标注实例，来自X（Twitter）、Reddit和YouTube，覆盖三个年龄段（13-17岁青少年、11-12岁前青少年、11岁以下儿童）。 ChildGuard是一个大型的、经过精心整理的数据集，包含超过35万条多语言社交媒体帖子，这些帖子均经过标注，专门针对儿童的仇恨言论，并配有详细的年龄段标签、上下文和词汇特征，以及严谨的专家标注，旨在支持对检测和减轻针对儿童的网络虐待的研究。 核心关注：针对儿童和青少年的仇恨言论，包括针对年龄、外貌、种族、国籍和残疾的攻击。包含情境子集（157K） 和词汇子集（194K） 两个子集。 ChildGuard包含351,877 个标注实例，这些实例收集自Reddit、X（原 Twitter）和YouTube。 论文地址：https://arxiv.org/abs/2506.21613数据集地址：https://github.com/gskgautam/ChildGuard 2.DeTox-Datase（德 ...

📝 GR4AD论文总结-详细版 ## (2026-04-02) Generative Recommendation for Large-Scale Advertising 作者: Ben Xue; Dan Liu; Lixiang Wang; Mingjie Sun; Peng Wang; Pengfei Zhang; Shaoyun Shi; Tianyu Xu; Yunhao Sha; Zhiqiang Liu; et al. 期刊: （发表日期: 2026-04-02） 期刊分区: 本地链接: Xue 等 - 2026 - Generative Recommendation for Large-Scale Advertising.pdf DOI: 10.48550/arXiv.2602.22732 摘要: Generative recommendation has recently attracted widespread attention in industry due to its potential for scaling ...

设计网络模型概要输入： 图片Resize 448 * 448 输出：预测目标上的一个目标/物体 可以借助经典模型的部分框架 例如VGG16（经典模型，按照自己需求舍去图像分类部分） 利用前面的特征提取，舍去后面的分类 目标检测模型架构主干 — 颈部 — 头部 1. Backbone – 主干网络 核心作用：从输入图像中提取多尺度、多层次的特征。 工作方式： 像 CNN、ResNet、VGG、ViT 这类网络，会逐步下采样图像，生成不同分辨率的特征图。 浅层特征保留细节（如边缘、纹理），深层特征保留语义（如物体类别、整体结构）。 类比：相当于人的视觉皮层，先把看到的画面拆解成各种基础视觉元素。 2. Neck – 颈部网络 核心作用：对 Backbone 输出的多尺度特征进行融合与增强，实现多分辨率特征聚合。 工作方式： 常见结构如 FPN、PANet、BiFPN，通过上采样 + 下采样的路径，让不同层级的特征互相传递信息。 解决 “小物体特征太弱、大物体特征太粗” 的问题，让每个尺度的特征都包含丰富的上下文信息。 类比：相当于人的视觉中枢，把零散 ...

YOLO算法 YOLO11 网络结构图 YOLO11 中的 CBS 模块YOLO11 里的 CBS 是核心基础模块，是构成整个网络的「最小单元」，你可以把它理解成 YOLO 系列里 Conv-BN-SiLU 的「三合一封装」。 一、CBS 的全称 & 组成（拆解开就懂）CBS = Conv（卷积层） + BN（批量归一化） + SiLU（激活函数） （注：早期 YOLO 版本用 LeakyReLU，YOLOv8/11 统一换成 SiLU，也叫 Swish 激活） 表格 组件 作用 Conv 卷积层 提取特征、调整通道数（比如把 3 通道图片转成 64 通道特征图） BN 批量归一化 加速训练、防止过拟合、稳定梯度（不用手动调学习率，训练更快） SiLU 激活函数 引入非线性，让网络能拟合复杂特征（比 ReLU 更平滑，精度更高） 二、CBS 在 YOLO11 里的作用 特征提取的「第一步」：输入图片后，第一个模块就是 CBS，先把原始图片转成高维特征图； 轻量化设计：YOLO11 用 CBS 替代了早期复杂的卷积组合，减少参数和 ...