- 博客(86)
- 收藏
- 关注
RSS订阅原创 S7.1YOLO
YOLO系列目标检测算法发展综述 本文系统梳理了YOLO系列目标检测算法的发展历程和技术演进。从YOLO v1将检测问题转化为回归问题的创新设计，到v2引入BatchNorm和Multi-Scale训练提升性能，再到v3采用多尺度特征融合和Logistic分类器改进小物体检测。YOLO v4通过数据增强、DropBlock正则化、损失函数优化（CIoU）和网络结构改进（CSPNet、注意力机制）等技术创新显著提升检测精度。最新YOLO v5则侧重工程实践优化。文章详细分析了各版本网络架构、损失函数设计特点，
2025-11-22 21:52:05
690
原创 S·6.1模型的部署
模型部署是将训练好的机器学习模型投入实际应用的过程，主要包括导出模型、部署到生产环境、测试验证和持续监控等步骤。常见的部署方式包括云端API服务、嵌入式设备、边缘计算、移动端以及FPGA/GPU硬件加速等，需根据场景需求选择合适方案。此外，文章对比了Python三大Web框架Django（功能全面但复杂）、Pyramid（灵活高性能但社区小）和Flask（轻量易用但功能有限）的特点，为开发者提供技术选型参考。
2025-11-21 23:18:52
767
原创 P3.7计算机视觉
dlib是一个开源的C++/Python库，提供机器学习、计算机视觉和图像处理工具。与OpenCV相比，dlib在人脸检测方面具有更好的非正面人脸和遮挡处理能力，但检测小脸效果较差。本文介绍了dlib的安装方法，并给出了人脸检测、关键点定位（68点）、轮廓检测和疲劳检测等应用代码示例。其中疲劳检测通过计算眼睛纵横比(EAR)实现，当EAR<0.3时触发警告。dlib还支持表情识别，通过分析嘴宽与脸颊宽度的比例变化来判断微笑状态。这些功能可应用于驾驶员监控、课堂状态检测等场景。
2025-09-26 18:17:49
758
原创 大模型-LLM-large language model
本文介绍了大模型本地化部署与微调的相关工具和技术。主要内容包括：1）Ollama开源工具，支持本地快速运行大模型；2）大模型参数概念解析，如8B表示80亿参数；3）Unsloth训练加速项目，可显著提升微调效率；4）OpenWebUI交互界面，提供离线模型管理功能；5）Docker容器技术，简化部署流程；6）HuggingFace平台及其Transformers库，支持多种NLP任务。这些工具共同构成了大模型开发部署的完整技术生态。
2025-09-23 12:03:31
1081
原创 O3.6opencv
本文介绍了OpenCV中三种常用的人脸识别算法及其实现方法。LBPH算法通过局部二值模式直方图提取特征，对光照和旋转变化具有鲁棒性；EigenFaces算法基于PCA主成分分析，通过降维保留主要特征信息；FisherFaces算法采用LDA线性判别分析，能更好地区分不同类别。文章详细说明了每种算法的核心原理、实现步骤和代码结构，包括数据准备、模型训练、预测识别等关键环节，并提供了完整的Python代码示例。三种算法各有特点，其中LBPH实现简单且不受光照影响，EigenFaces通过PCA降维处理，而Fis
2025-09-23 11:51:36
1210
原创 NLP---自然语言处理
摘要：本文探讨了自然语言处理中的关键方法。首先分析统计语言模型的局限性，指出其存在参数爆炸和忽略词间关联的问题，提出词嵌入(Word Embedding)作为解决方案，通过神经网络将高维稀疏词向量压缩为低维稠密表示。其次介绍了循环神经网络(RNN)及其改进模型LSTM/GRU，重点阐述其记忆机制和门控结构如何解决长距离依赖问题。最后以情感分析项目为例，说明文本数据预处理方法，包括词向量长度设定、序列填充裁剪等技术要点。全文系统梳理了从基础词表示到复杂序列建模的核心技术路线。
2025-09-21 18:19:11
987
1
原创 O3.6opencv风格迁移和人脸识别
本文介绍了基于OpenCV的图像风格迁移和人脸检测技术。在风格迁移部分，通过预训练模型将输入图片转换为特定艺术风格（如糖果、星空等），详细说明了图像预处理、模型加载、前向传播和结果后处理的完整流程。在人脸检测部分，展示了静态图片和实时视频中的人脸及微笑检测方法，包括Haar级联分类器的使用、参数调整原理以及检测结果的标注显示。两套系统均采用模块化设计，代码结构清晰，具备较强的可扩展性，可根据需要更换不同风格的模型或人脸检测分类器。
2025-09-17 21:18:34
1214
原创 O3.4 opencv摄像头跟踪
这篇文章介绍了基于OpenCV的实时文档扫描与目标跟踪技术，主要包括两个核心功能：1) 文档扫描系统通过摄像头实时检测文档并矫正为矩形视图；2) 目标跟踪系统使用CSRT算法实现实时物体追踪。系统采用轮廓检测、透视变换等技术实现文档矫正，支持手动框选目标进行跟踪。文章详细解析了图像预处理、轮廓检测、光流估计等关键算法，并提供了完整的Python实现代码。该系统适用于办公自动化、视频监控等场景，具有实时性强、准确度高等特点。
2025-09-15 23:24:51
2715
2
原创 O3.4 opencv图形拼接+答题卡识别
pythonimport cv2导入numpy和cv2库，分别用于数值计算和图像处理。定义ANSWER_KEY字典，存储正确答案。
2025-09-13 21:47:32
1434
原创 O3.3 opencv指纹识别
本文介绍了指纹识别与验证的Python实现方案，包含三个核心功能模块：1.指纹识别系统：通过SIFT特征提取和FLANN匹配器计算指纹匹配点数量，实现指纹库检索与身份识别（代码片段一）；2.指纹验证系统：采用相似技术进行1:1比对，设定500个匹配点阈值判断验证结果（代码片段二）；3.匹配点可视化：在匹配指纹对上标记特征点并绘制连线，直观展示匹配结果（代码片段三）。系统使用OpenCV库实现图像处理，通过关键点检测、描述符计算和最近邻匹配完成指纹特征比对，具备身份识别、验证和结果可视化功能。
2025-09-12 21:54:58
1304
原创 O3.2 opencv高阶
本文介绍了三种图像处理技术：直方图均衡化、透视变换和特征检测。直方图均衡化通过均匀化像素值分布增强图像对比度，使用OpenCV的cv2.equalizeHist函数实现。透视变换通过四点定位实现图像矫正，包括轮廓检测、最大轮廓提取和透视变换三个步骤。特征检测部分介绍了Harris角点检测和SIFT特征提取，分别用于检测图像角点和提取尺度不变特征。这些方法在图像增强、文档矫正和目标识别等计算机视觉任务中具有重要应用价值。
2025-09-11 22:58:26
989
原创 O3.1 opencv高阶
摘要：本文介绍了图像处理中的三个核心技术：模板匹配、图像金字塔和直方图分析。模板匹配部分展示了如何实现带旋转功能的模板匹配，通过旋转模板图像（np.rot90）提升匹配准确率。图像金字塔部分详细讲解了高斯金字塔的下采样（cv2.pyrDown）和上采样（cv2.pyrUp）操作，以及拉普拉斯金字塔用于图像复原的方法。直方图分析则演示了如何计算灰度图和彩色图的像素分布（cv2.calcHist），并利用掩膜实现局部区域分析。三个技术模块相互支撑，形成完整的图像处理流程，适用于特征提取、对象匹配等实际应用场景。
2025-09-10 20:44:53
1083
2
原创 S 3.5深度学习--卷积神经网络--代码
本文介绍了使用迁移学习实现食物分类的代码实现。通过加载预训练的ResNet18模型，冻结底层参数并替换全连接层，构建了一个新的分类模型。然后定义了数据预处理流程、数据集类和数据加载器，并设置了训练和测试过程。代码展示了如何利用迁移学习技术，通过微调预训练模型来适应新任务，显著减少训练时间和计算资源需求。最后进行模型训练和测试，记录准确率和损失值来评估模型性能。
2025-09-07 20:58:26
417
原创 S 4.1深度学习--自然语言处理NLP--理论
本文介绍了统计语言模型和神经语言模型的区别与联系。统计语言模型存在维度灾难和忽略词间联系的缺陷，而神经语言模型通过词嵌入技术将高维词表示压缩为低维向量（如300维），有效解决了这些问题。重点讲解了Word2Vec的两种模型：CBOW（通过上下文预测当前词）和Skip-Gram（通过当前词预测上下文），并提供了CBOW模型的PyTorch实现代码，包括数据预处理、模型构建、训练过程和词向量保存方法。通过神经网络训练得到的词向量能够捕捉词语间的语义关系，为自然语言处理任务提供更有效的特征表示。
2025-09-07 20:54:21
1272
原创 S 3.4深度学习--卷积神经网络--代码
本文介绍了深度学习中三种关键技术：学习率调整、迁移学习和ResNet网络。1. 学习率调整部分详细讲解了PyTorch提供的多种学习率调整策略，包括有序调整（StepLR、MultiStepLR等）、自适应调整（ReduceLROnPlateau）和自定义调整（LambdaLR），并提供了代码实现示例。2. 迁移学习部分阐述了其概念和步骤，包括预训练模型选择、参数冻结、新层训练和微调等过程。3. ResNet网络部分解释了其残差结构设计原理，解决了深层网络中的梯度消失和退化问题，给出了网络实现代码。全文通过
2025-09-04 23:29:43
896
原创 S 3.3深度学习--卷积神经网络--代码
本文介绍了基于PyTorch的食品图像分类模型实现过程，主要包括三个部分：1) 数据预处理模块，通过自定义Dataset类实现图像路径读取和标签处理；2) 数据增强模块，使用transforms构建包含随机旋转、翻转、颜色变换等操作的预处理流程；3) 模型构建与训练模块，实现了一个包含三层卷积和全连接层的CNN网络，并定义了训练和测试函数。整体流程采用数据增强提升模型泛化能力，通过Adam优化器进行参数优化，最终在测试集上评估模型性能。代码结构清晰，详细注释了各模块功能，为图像分类任务提供了完整的实现方案。
2025-09-04 08:49:03
911
原创 S 3.2深度学习--卷积神经网络--代码
本文介绍了一个基于PyTorch的卷积神经网络(CNN)实现，用于MNIST手写数字分类任务。主要内容包括： 数据准备：使用torchvision加载MNIST数据集，包括60000个训练样本和10000个测试样本，每个样本为28×28的灰度图像，并进行批处理(64样本/批)。 模型架构：构建了一个3层CNN网络，包含卷积层、ReLU激活和池化操作，最后接全连接层输出10个类别。输入图像经过多次特征提取和尺寸缩减，最终展平后进行分类。 训练过程：使用交叉熵损失函数和Adam优化器(学习率0.0005)，在1
2025-08-28 15:29:42
842
原创 S 3.1深度学习--卷积神经网络
卷积神经网络(CNN)通过卷积层、池化层和全连接层实现图像识别。卷积层使用滤波器提取特征，池化层降采样压缩数据，全连接层完成分类。典型CNN模型包括LeNet、AlexNet、VGGNet等。李飞飞创建的ImageNet数据集为CNN发展奠定基础。CNN模拟人眼视觉原理，具有平移不变性，能有效处理RGB图像，通过多个卷积核提取不同层次特征，最终实现图像分类。
2025-08-27 15:37:14
1036
原创 S 2.2深度学习--PyTorch代码框架
本文展示了使用PyTorch实现MNIST手写数字识别的完整流程。主要内容包括：1)数据准备，使用torchvision加载MNIST数据集并转换为张量；2)构建神经网络模型，包含两个隐藏层和ReLU激活函数；3)训练过程，采用交叉熵损失和SGD优化器进行参数更新；4)测试评估，计算准确率等指标。文章还讨论了改进方案，如使用Adam优化器替代SGD、分析不同激活函数特性等。代码实现了数据加载、模型定义、训练测试等核心功能模块，并提供了详细的注释说明各步骤原理。
2025-08-26 08:44:55
1055
原创 S 2.1深度学习--PyTorch原理框架
本文介绍了PyTorch深度学习框架的基本使用流程。首先对比了CPU和GPU的架构差异，重点讲解了GPU显存参数的意义。接着详细说明了PyTorch安装步骤，包括CUDA环境配置和版本选择。然后以MNIST手写数字识别为例，演示了数据集的下载、加载和可视化方法，解释了DataLoader的分批处理机制。最后介绍了神经网络模型的搭建过程，展示了一个包含输入层、隐藏层和输出层的全连接网络实现，并说明了前向传播流程和激活函数的使用。全文涵盖了PyTorch从环境配置到模型构建的完整实践流程，适合深度学习初学者参考
2025-08-24 18:12:36
1035
原创 S 1.1深度学习——理论
神经网络的本质：通过参数与激活函数来拟合特征与目标之间的真实函数关系。但在一个神经网络的程序中，不需要神经元和线，本质上是矩阵的运算，实现一个神经网络最需要的是线性代数库。深度学习 (DL, Deep Learning) 是机器学习 (ML, Machine Learning) 领域中一个新的研究方向。神经网络：是由大量的节点（或称 “神经元”）和之间相互的联接构成。每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为。每个节点代表一种特定的输出函数，称为。绿色的圈是隐含层,化简得到下面的式子。
2025-08-22 21:13:31
999
原创 O1.3 open-cv计算机视觉
本文介绍了图像形态学处理和边缘检测的关键技术。在图像形态学部分，详细讲解了腐蚀、膨胀、开运算、闭运算等基本操作，以及梯度运算、顶帽和黑帽变换等进阶应用。边缘检测部分重点阐述了Sobel、Scharr、Laplacian算子和Canny算法的原理与实现，包括梯度计算、非极大值抑制和双阈值处理。此外，还介绍了轮廓检测方法，包括轮廓查找、绘制和特征提取，以及模板匹配技术。这些技术在图像处理、计算机视觉等领域具有广泛应用，能够有效提取图像特征、识别物体边界和形状。
2025-08-22 20:52:45
643
原创 机器学习--数据清洗—（续篇）
本文摘要： 该代码实现了矿物数据分类的完整机器学习流程。首先对原始数据进行预处理，包括删除异常类别、缺失值检测、标签编码和Z标准化。然后采用随机森林算法进行缺失值填充，通过训练集数据预测并填充测试集缺失值。接着使用SMOTE算法解决样本不均衡问题，并保存处理后的数据集。最后实现了6种分类算法（逻辑回归、随机森林、SVM、AdaBoost、朴素贝叶斯和XGBoost）进行矿物类型预测，通过网格搜索优化参数，并评估各模型的召回率和准确率等指标。所有结果保存为JSON格式文件，便于后续分析和比较不同填充方法与分类
2025-08-20 23:33:45
1270
原创 机器学习--数据清洗
本文构建了一个智能矿物识别系统的数据处理流程，重点解决数据清洗和缺失值填充问题。首先对矿物数据进行预处理，包括异常值处理、标准化和数据集划分。针对数据缺失问题，提出了6种填充方法：完整数据保留、均值填充、中位数填充、众数填充、线性回归和随机森林预测，并采用按矿物类别分别填充的策略。同时使用SMOTE算法处理样本不均衡问题。最终将处理后的数据保存为训练集和测试集，为后续矿物分类模型训练奠定数据基础。整个流程完整覆盖了数据清洗、特征处理和样本均衡等关键环节。
2025-08-17 22:54:27
2940
原创 机器学习--PCA降维
简单来说：指定整数，表示要降维到的目标，【比如 10 维的数据，指定 n_components=5，表示将 10 维数据降维到 5 维】如果为小数，表示累计方差百分比。所谓白化，就是对降维后的数据的每个特征进行归一化，让方差都为 1.对于 PCA 降维本身来说，一般不需要白化。将一组 N 维向量降为 K 维（K 大于 0，小于 N），其目标是选择 K 个单位（模为 1）正交基，使得原始数据变换到这组基上后，各字段两两间协方差为 0，而字段的方差则尽可能大（在正交的约束下，取最大的 K 个方差）
2025-08-17 11:13:56
1267
原创 O2.1 计算机视觉Open-CV
本文介绍了图像处理中的边界填充、图像运算、阈值处理和平滑处理等核心操作。边界填充通过cv2.copyMakeBorder()实现多种边缘扩展方式；图像运算展示了三种加法融合方法及其效果差异；阈值处理演示了五种二值化技术对灰度图像的分割效果；平滑处理则比较了均值、高斯、中值等滤波方法对椒盐噪声的去除效果。最后通过视频处理实例，展示了如何对视频流实时添加噪声并应用中值滤波进行平滑处理。这些技术广泛应用于图像增强、特征提取和计算机视觉任务中。
2025-08-14 21:19:52
1422
2
原创 NLP—词向量转换评论学习项目分析
本文介绍了使用scikit-learn的CountVectorizer将文本数据转换为词频矩阵的方法。通过统计词频实现文本向量化，使模型能够处理自然语言数据。示例代码演示了如何设置ngram_range参数（1-3词组合）和max_features参数（限制为6个最高频特征），并展示了稀疏矩阵、特征词列表和词频数组三种输出形式。该方法适用于NLP任务的特征提取，可将文本转换为适合贝叶斯等分类模型处理的数值矩阵。
2025-08-12 23:36:26
1356
原创 NLP—词向量转换评论学习项目分析真实案例
摘要：本文介绍了一个基于贝叶斯算法的中文评论分类模型构建过程。首先通过爬虫获取真实用户评论数据，包括差评和优质评价两类。使用jieba进行中文分词处理，并移除停用词。将文本数据转换为词向量表示，采用CountVectorizer将文本转换为数字特征，保留4000个最高频词特征。为文本数据添加标签（差评为1，优质评价为0），分割训练集和测试集。最终构建贝叶斯分类模型，实现了对评论质量的自动判别。整个流程包括数据预处理、特征工程和模型构建三个关键环节，为文本分类任务提供了完整的技术实现方案。
2025-08-12 23:36:20
1132
原创 NLP---IF-IDF案例分析
本文介绍了一个《红楼梦》文本处理流程，包含两个主要任务：1. 文本分割：通过Python脚本自动将《红楼梦》原文按章回分割，使用正则表达式匹配回目并过滤无关内容，生成按序号命名的分章文件。2. 文本预处理：对分割后的章节进行中文分词处理，加载《红楼梦》专属词库提升分词准确性，并过滤停用词，最终生成可供TF-IDF等算法处理的文本文件。整个过程实现了从原始文本到结构化数据的自动化处理，为后续文本分析提供了基础。
2025-08-10 21:08:25
725
原创 NLP——TF-IDF算法
摘要：本文介绍了TF-IDF（词频-逆向文档频率）算法原理及其Python实现。TF-IDF通过计算词频（TF）和逆向文档频率（IDF）的乘积来评估词语重要性，能有效过滤常见词、突出关键特征。演示代码使用sklearn的TfidfVectorizer处理文本数据，包括：1）读取语料；2）构建TF-IDF矩阵；3）词汇表映射；4）结果可视化（通过pandas DataFrame）；5）特定文本的特征词排序。实验显示该方法能自动识别文档中的显著性词语，如示例中"document"等词因高TF
2025-08-10 15:22:34
984
原创 机器学习——DBSCAN
本文介绍了DBSCAN密度聚类算法的原理、参数调优及实现过程。DBSCAN通过定义核心对象、E邻域和密度可达等概念，能够发现任意形状的聚类并识别噪声点。文中详细说明了Python中sklearn.cluster.DBSCAN的参数设置，包括eps邻域半径、min_samples最小样本数等关键参数的影响。同时提供了完整的代码实现，包括数据预处理、DBSCAN模型训练、轮廓系数评估等步骤，并对比了KMeans与DBSCAN在真实数据集上的表现。最后通过标签对齐方法解决了聚类标签与真实标签的映射问题，采用分类指
2025-08-10 13:06:33
1442
原创 K-Means 聚类
K-Means聚类算法摘要 本文介绍了K-Means聚类算法的核心原理、参数设置和Python实现。K-Means是一种无监督学习算法，通过迭代计算样本与质心距离实现数据聚类。重点参数包括n_clusters（聚类数）、init（初始化方法）和max_iter（最大迭代次数）。文章详细解析了scikit-learn中KMeans类的参数配置，并提供了完整的Python实现代码，包括数据读取、轮廓系数评估和可视化。通过实例演示了如何寻找最优K值，并使用轮廓系数评估聚类效果。代码展示了从数据预处理到模型训练、评
2025-08-08 23:12:04
1235
原创 O1.4 Opencv-管理图片
本文展示了使用OpenCV进行图像处理的三个示例：1) 在图片指定区域添加随机像素值；2) 将一张图片的切片复制到另一张图片上；3) 调整图片尺寸。代码使用cv2.imread()读取图片，通过数组操作修改图像内容，并用cv2.imshow()显示结果。这些操作演示了OpenCV处理图像的基本方法，包括像素操作、区域复制和尺寸调整功能。
2025-08-07 19:18:03
262
原创 O1.3Opencv颜色通道
本文介绍了使用OpenCV处理图像颜色通道的三种方法：1）分离显示单通道图像；2）将指定通道设为0；3）合并分离的通道。通过cv2.split()函数可以分离BGR通道，使用cv2.merge()能重新合并通道。代码演示了如何单独显示各通道、屏蔽特定通道颜色，以及将分离的通道重新合并为完整图像，最后通过cv2.imshow()显示处理结果。这些操作为图像处理中的通道操作提供了基础实现方法。
2025-08-07 15:58:56
234
原创 O1.2 Opencv
本文介绍如何使用OpenCV处理视频文件。代码演示了两种视频处理方式：1)读取并调整视频尺寸为640x480；2)将视频转为灰度显示（目前注释掉）。两种方法都通过循环读取视频帧，使用cv2.imshow()显示处理结果，按ESC键可退出播放。关键步骤包括：VideoCapture打开视频、检查是否成功打开、读取帧、调整大小/转换灰度、显示帧、释放资源。注意灰度转换代码当前被注释，如需使用需取消注释并修改resize参数。
2025-08-07 15:10:10
287
原创 O1.1计算机视觉-OpenCV
本文介绍了使用OpenCV进行图像处理的三个基本操作：1) 读取并显示图像，获取图像属性（形状、数据类型、大小）；2) 将彩色图像转换为灰度图像并保存；3) 对图像进行切片操作，提取感兴趣区域。每个操作都包含了完整的Python代码示例，展示了如何通过cv2.imread()、cv2.imshow()等函数实现基本的图像处理功能，并输出图像的相关属性信息。这些操作涵盖了图像处理中的基础步骤，包括读取、显示、转换和区域提取等常用功能。
2025-08-07 12:44:09
471
原创 MYSQL
本文摘要： MySQL数据库系统教程涵盖了数据库基础概念、安装配置、SQL语言及查询操作。主要内容包括：1)关系型与非关系型数据库的区别，MySQL的历史与特点；2)数据库服务器、数据库与表的层级关系，创建删除操作；3)数据类型与约束机制，如数值、字符串、日期类型及主键、外键等约束；4)SQL语言基础，包括DDL、DML、DCL和DQL分类；5)查询操作详解，涵盖WHERE条件筛选、ORDER BY排序、GROUP BY分组及LIMIT限制等核心功能。教程通过语法示例和实际应用场景，系统讲解MySQL数据库
2025-08-06 21:56:04
1077
原创 Linux——Shell编程
Shell是一种命令语言和程序设计语言，它既是用户与Linux系统交互的桥梁，也支持变量定义、流程控制等编程特性。本文详细介绍了Shell基础语法，包括变量定义与使用、参数传递、字符串操作、数组、运算符、输入输出命令（echo/printf/read）以及test条件测试。重点讲解了Shell流程控制语句（if/for/while/case等）和函数定义方法，并深入解析输入输出重定向机制，涵盖标准输出/错误重定向、文件描述符合并及/dev/null的特殊用途。通过丰富的代码示例，系统性地展示了Shell脚本
2025-08-06 21:04:54
934
原创 Linux——静态网络，创建用户
本文介绍了Linux系统网络配置和用户管理的基本操作。网络配置部分包括：设置静态IP、修改网络脚本文件、重启网络服务、测试网络连通性以及关闭防火墙等操作。用户管理部分涵盖：创建新用户、设置密码、切换用户、修改用户属性和创建用户组等命令。文章还提供了使用国内镜像源安装Jupyter Notebook的方法，以及查看系统用户和组信息的技巧。这些操作均为Linux系统管理员常用的基础维护命令，适用于CentOS/RHEL等基于systemd的发行版。
2025-08-06 19:23:55
293
原创 机器学习——SVM
没有构建曲线的方法实现数据的分类。原来数据在2维平面， 将数据通过映射到3维空间，然后用屏幕分割。桌上有两种颜色的球，要求用一根棍分开它们，尽量在放更多球之后仍然适用。nn神经网络也就是深度学习会有弯曲的曲线构成，后面说神经网络。1所有的训练数据集的点，离公式最近的数据。2在 w 为何值的情况是的 y 最大。最小二乘法是求极值的无约束条件。3.为什么学习SVM？2.怎么学习SVM？1.SVM 是什么？算完后会有距离的结果。四·SVM最难的部分。
2025-08-06 14:57:30
373
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人