姚春辉

2025年11月11日

摘要：叶子张量（Leaf Tensor）和非叶子张量（Non-leaf Tensor）是 PyTorch 计算图中的两个核心概念，核心区别体现在创建方式、在计算图中的角色以及梯度存储行为上，具体差异如下： 1. 创建方式不同叶子张量：通过直接初始化创建（如 torch.tensor()、torch.ze 阅读全文

posted @ 2025-11-11 14:05 姚春辉阅读(8) 评论(0) 推荐(0)

张量相乘

摘要：张量相乘核心结论：需先明确乘法类型（元素积/矩阵积/点积），不同类型对应不同维度要求，结果维度由乘法规则决定，核心分三类常见运算。一、元素积（Hadamard积）：对应元素直接相乘核心要求：张量维度必须完全一致（无需广播，广播仅适用于加减，不适用于元素积）。运算逻辑：两个张量相同位置的元素逐一阅读全文

posted @ 2025-11-11 11:14 姚春辉阅读(19) 评论(0) 推荐(0)

张量相加

摘要：张量相加的核心结论是：必须满足“广播兼容”（维度匹配或可扩展为相同维度），运算时对应位置元素逐一相加，结果维度与广播后的维度一致。核心规则维度匹配要求：要么张量维度完全相同（如2×3张量 + 2×3张量），要么满足广播条件（低维张量可扩展为高维张量的维度，如1×3张量 + 2×3张量）。元素运阅读全文

posted @ 2025-11-11 11:14 姚春辉阅读(6) 评论(0) 推荐(0)

2025年11月10日

张量与向量

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)

线性特征和非线性特征

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)

深度学习的核心是什么？

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)

拟合

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)

2025年9月28日

1NF、2NF、3NF的区别，举例说明

摘要：在关系数据库设计中，1NF（第一范式）、2NF（第二范式）、3NF（第三范式）的核心目标是消除数据冗余和避免操作异常（插入、删除、更新异常），它们的区别在于对“函数依赖”的约束强度逐级增强。以下从定义、核心要求、反例（不满足该范式的表）、正例（满足该范式的表）四个维度，结合同一业务场景详细说明：基阅读全文

posted @ 2025-09-28 16:25 姚春辉阅读(212) 评论(0) 推荐(0)

2025年9月24日

机器学习到底是学习了什么？学会的模型参数是要存下来吗？

摘要：机器学习的核心是让模型从数据中学习输入与输出之间的映射规律（如特征与标签的关联、数据的内在结构、决策策略等），这些规律最终以模型参数的形式被存储和体现。而训练好的模型参数必须被保存，否则每次次次使用模型时都需要重新训练，这在实际应用中是不可行的。一、机器学习到底在“学习”什么？如前文所述，机器学阅读全文

posted @ 2025-09-24 16:13 姚春辉阅读(42) 评论(0) 推荐(0)

机器学习到底是学习了什么

摘要：机器学习的核心是让计算机通过数据自动学习“规律”或“模式”，而非依赖人类手动编写的固定规则，最终实现“对未知情况的预测或决策”。这种“学习”本质上是模型通过数据调整自身参数，从而建立“输入数据”与“期望输出”之间的映射关系——既可以是显性的规律（如“图片中像素特征与‘猫’类别的关联”），也可以是隐性阅读全文

posted @ 2025-09-24 13:57 姚春辉阅读(43) 评论(0) 推荐(0)

公告