摘要：
这个问题抓得很准，核心结论是：向量是张量的特殊形式（1维张量），张量是向量的“高维扩展”，二者是“特殊与一般”的关系，核心区别在于维度和数据承载能力。 1. 定义与维度差异 向量：严格来说是1维张量，只有“长度”一个维度，用有序数组表示（如[1,2,3]）。 张量：可表示0维到N维的结构化数据，维度 阅读全文
posted @ 2025-11-10 18:07
姚春辉
阅读(21)
评论(0)
推荐(0)
摘要：
这个区分很关键，核心结论是：线性特征是“数据规律呈直线/平面关系，可直接叠加”，非线性特征是“数据规律呈曲线/复杂关系，无法简单叠加”，深度学习的核心就是捕捉非线性特征。 1. 线性特征：简单直接的“比例关系” 核心特点：输入和输出满足“加性+比例性”，图形上是直线（2维）或平面（高维）。 生活例子 阅读全文
posted @ 2025-11-10 17:06
姚春辉
阅读(9)
评论(0)
推荐(0)
摘要：
深度学习的核心，本质是 “通过可学习的参数化模型，从数据中自动学习多层非线性表征，再用梯度下降迭代优化，最终实现输入到输出的精准映射” —— 一句话拆解为3个不可分割的核心要素，贯穿所有深度学习任务（分类、生成、回归等）： 1. 核心载体：多层非线性网络（建模“表征能力”） 深度学习的“深度”本质是 阅读全文
posted @ 2025-11-10 16:12
姚春辉
阅读(5)
评论(0)
推荐(0)
摘要：
拟合其实就是让模型“模仿”数据规律的过程，像给一堆散落的点画一条最贴合的线（或曲线、曲面）。 通俗理解：“找规律”的过程 比如你手里有10组“身高-体重”数据，想通过身高猜体重： 拟合就是找一个公式（比如“体重=0.6×身高-20”），让这个公式算出的体重，和真实体重尽可能接近； 模型（这里的公式） 阅读全文
posted @ 2025-11-10 16:03
姚春辉
阅读(6)
评论(0)
推荐(0)
浙公网安备 33010602011771号