小小小菜鸡--CSDN博客

原创 PyTorch自动微分知识点讲解

本文介绍了PyTorch自动微分(autograd)的核心概念和使用方法。主要内容包括：1) 自动微分的基础认知，解释autograd模块如何实现反向传播；2) 梯度计算规则，说明PyTorch只支持标量对向量的求导；3) 实战案例演示单参数和多参数的梯度更新过程；4) 使用注意事项，如requires_grad标记、梯度清零等。通过具体代码示例展示了神经网络训练中初始化参数、计算损失、反向传播和参数更新的完整流程，帮助理解PyTorch自动微分机制的工作原理。

2026-05-12 08:58:31 293

原创 PyTorch详解知识点讲解

本文介绍了PyTorch深度学习框架的核心知识点。主要内容包括：PyTorch基础概念与安装方法；张量的定义、创建方式（基础创建、线性/随机张量、0/1/指定值张量）及其元素类型转换；张量与NumPy/标量的互转；张量的数值计算、运算函数和索引操作；以及张量的形状操作（reshape、squeeze/unsqueeze）和拼接方法（cat/stack）。文章通过代码示例详细展示了各类张量操作的具体实现方式，帮助读者掌握PyTorch的核心数据结构与基本操作。

2026-05-12 08:55:19 317

原创别瞎学AI大模型！普通人从零到全栈工程师，保姆级进阶路线（2026最新完整版）

摘要：本文提供了一套从零基础到大模型全栈工程师的系统化学习路线（2026最新版），强调实战落地而非碎片化学习。10个阶段涵盖：本地部署AI应用、Python进阶、智能体开发、RAG技术、多智能体协作、模型微调、多模态开发等核心技能，每阶段均配套商业项目。路线针对企业需求设计，适配初级开发到高级算法工程师等岗位，帮助普通人通过项目驱动掌握AI实战能力，避免盲目学习。文末提供学习资料福利，适合零基础者循序渐进进阶。（字数：149）

2026-05-11 15:02:41 338

原创深度学习概述知识点讲解

深度学习是机器学习的分支，通过多层神经网络自动提取特征，擅长处理图像、语音等高维数据。其发展经历了符号主义、统计主义、神经网络和大模型四个阶段，关键里程碑包括反向传播算法、AlexNet和Transformer的突破。主流框架包括TensorFlow、PyTorch和国产PaddlePaddle，核心模型涵盖CNN、RNN、Transformer和GAN等，分别适用于图像识别、序列处理、语言理解和数据生成等任务。深度学习虽性能优异但存在黑箱问题，随着硬件发展和大模型兴起，正推动AI进入智能体时代。

2026-05-09 20:57:46 341

原创聚类算法知识详解

分数越高，聚类效果越好，它的目标是用尽量少的类别，聚类尽量多的样本，同时获得较好的效果。：综合衡量簇内的内聚程度和簇间的分离程度，取值 [-1,1]，值越大效果越好。：常用的样本相似度计算方法，衡量样本之间的差异，是聚类算法的基础相似度指标。：基于划分的聚类算法，通过质心将样本划分为指定数量的簇，是最常用的聚类算法。不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。：衡量簇内的聚合程度，值越小，簇内样本越接近，聚类效果越好。

2026-05-09 09:06:11 328

原创混淆矩阵和评估指标

摘要混淆矩阵是评估分类模型性能的重要工具，通过对比预测结果与真实标签，揭示模型的预测准确性。核心指标包括真正例(TP)、伪反例(FN)、伪正例(FP)和真反例(TN)。精确率(查准率)衡量预测正例的准确性，召回率(查全率)评估正例的覆盖程度，F1-score则综合两者表现。在癌症预测等不平衡数据场景中，仅依赖准确率可能产生误导，需结合多个指标全面评估模型性能。实际应用中，可通过Python的sklearn库计算这些指标，为模型优化提供依据。

2026-05-08 23:07:33 344

原创逻辑回归知识点讲解

逻辑回归是一种经典的二分类算法，广泛应用于疾病预测、贷款审批、情感分析等场景。其核心是通过Sigmoid函数将线性回归输出转换为概率值，利用阈值判断完成分类。算法涉及边际概率、联合概率和条件概率等数学基础，采用二分类交叉熵作为损失函数，通过极大似然估计进行优化。实战中可使用sklearn的LogisticRegression API，案例演示了癌症分类预测的完整流程，包括数据预处理、标准化、模型训练与评估。逻辑回归将分类问题转化为概率预测，具有计算高效、解释性强的特点。

2026-05-08 23:03:31 367

原创线性回归核心知识点全解：从基础到模型评估

线性回归核心知识点摘要本文系统介绍了线性回归的核心概念与应用。主要内容包括：基础概念：定义线性回归模型，区分一元与多元线性回归，列举典型应用场景如房价预测等。实践应用：通过身高预测体重的案例演示Sklearn API使用流程，包括数据准备、模型训练、参数查看和预测。数学原理：解析线性回归四大要素（数据、模型、损失函数、优化方法），详细介绍导数、偏导数、矩阵运算等数学基础。求解方法：对比正规方程法（直接计算）和梯度下降法（迭代优化）的原理、公式及适用场景。评估指标：说明MAE、MSE、RMSE等常

2026-05-07 21:14:16 393

原创 KNN 算法知识点全面解析

KNN算法是一种基于距离度量的简单机器学习方法，核心思想是通过计算样本与K个最近邻居的距离进行分类（多数表决）或回归（平均值）。算法流程包括距离计算、排序、选取K个邻居和决策。常用距离度量有欧氏、曼哈顿和切比雪夫距离。K值选择对模型性能影响大，可通过网格搜索和交叉验证调优。特征预处理（归一化/标准化）是关键步骤，标准化更推荐。sklearn提供KNeighborsClassifier和KNeighborsRegressor API，适用于鸢尾花分类、手写数字识别等任务。KNN优点简单直观，缺点计算复杂度高、

2026-05-06 22:03:56 377