AI基础认知 最新 1.核心定义 模型准确率 是最直观、最常用的分类模型性能评估指标，它衡量的是模型整体预测正确的样本数占总样本数的比例，用公式表示就是：准确率 = (预测正确的样本数 / (总样本数 计算方式与例子我们通过混淆矩阵... 星博讯 2026-04-09 0 #核心 #定义
AI基础认知 最新 一、核心定义 召回率衡量的是模型找出所有真实正例的能力,其核心问题是：“在所有的真实正样本中，模型正确地找出了多少？”它的计算公式为：召回率 = TP / (TP + FN TP：真正例，模型预测为正,实际也为正，... 星博讯 2026-04-09 0 #核心 #定义
AI基础认知 最新 1.一句话定义 损失函数是衡量机器学习模型预测结果与真实值之间差距的“标尺”或“代价计算器”，模型预测：模型对一个样本给出的结果（预测房价 300 万），真实值：该样本实际的值（真实房价 310 万），损失/误差：预... 星博讯 2026-04-09 0 #简洁
AI基础认知 最新 一、核心定义，什么是优化算法？ 优化算法就是用来寻找一组参数，使得一个目标函数达到最小值或最大值的数学方法，你可以把它想象成：目标： 在一片复杂的地形中，找到最低的谷底，你： 一个身处其中但看不见全貌的探险者，优化算法： 你遵循的寻... 星博讯 2026-04-09 0 #优化算法 #核心定义
AI基础认知 最新 一、核心思想，一个简单的比喻 想象一下，你是一个盲人登山者，站在一座形状不规则的山上（比如一座大碗的内壁），你的目标是走到山谷的最低点，你无法看到整座山，但你手边有一根手杖，可以探测你脚下坡度的方向（是向上还是向下），梯度下降的过... 星博讯 2026-04-09 0 #核心思想 #比喻
AI基础认知 最新 反向传播是一种高效计算神经网络中损失函数对所有权重参数梯度的算法。它的核心目的是回答一个问题，为了减小模型的预测误差，我应该如何微调网络中的每一个权重？ 反向：计算梯度的方向是从网络的输出层向输入层逐层回溯，传播：将最终的预测误差沿着网络连接分配（传播） 给每一个贡献了该误差的权重，为什么需要反向传播？想象一个拥有百万个权重的深度网络，如果使用最笨的“... 星博讯 2026-04-09 0 #反向传播 #梯度
AI基础认知 最新 一个典型神经元的基础结构可以分为以下四个主要部分 细胞体结构： 神经元的核心部分，包含细胞核、细胞质和常见的细胞器（如线粒体、高尔基体、内质网、尼氏体等），功能：代谢中心： 维持神经元生命活动，合成神经递质、蛋白质和各种分子，整合中心： 对来自树突的... 星博讯 2026-04-09 0 #神经元 #基础结构
AI基础认知 最新 CNN是一种专门为处理具有网格状拓扑结构数据（如图像、视频、音频频谱图）而设计的深度学习神经网络。它在计算机视觉领域取得了革命性的成功，是当今图像识别、目标检测等技术的核心 核心思想与动机传统全连接神经网络在处理图像时面临巨大问题：一张1000x1000像素的彩色图像有300万个输入节点，假设第一隐层有1000个神经元，就会产生30亿个连接参数,这会导致：参数爆炸,极易过... 星博讯 2026-04-09 0 #CNN #计算机视觉
AI基础认知 最新 循环神经网络是一种专门为处理序列数据而设计的神经网络。它的核心思想是，在处理当前输入的同时，能够记住过去的信息。这使得它非常适合用于理解具有上下文依赖关系的数据 记忆与循环想象一下,你要预测一句话中的下一个单词：“天空中飘着几朵白色的____，”传统神经网络（如多层感知机）会把每个词单独输入，它无法理解“白色的”是描述后面物体的关键线索，而RNN会将之前处理过... 星博讯 2026-04-09 0 #循环神经网络 #序列数据
AI基础认知 最新 1.核心思想，解决长期依赖问题 LSTM 是一种特殊的循环神经网络，要理解 LSTM，首先要明白 RNN 的核心问题，RNN 的目标：处理序列数据（如文本、语音、时间序列），利用“记忆”来理解上下文信息，RNN 的短板：在处理长序列... 星博讯 2026-04-09 0 #核心思想 #长期依赖问题
