在介绍P-R曲线这些高级概念之前，我们先梳理一下最基本的统计指标的相关概念。 准确率 (Accuracy) 的意义是：“模型总共预测对了百分之多少？”。它的定义是所有被正确分类的样本（包括正确预测为正例和正确预测为负例）占总样本数的比例： $$ \mathrm{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} $$...

深度可分离卷积 (Depthwise Separable Convolution) 本质是一种分解卷积，它把一个标准的卷积操作分解成下面两个操作： 1. 深度卷积 (Depthwise Convolution)：负责卷积。 2...

在讲解具体的 NiN 网络架构前，我们先谈谈 1x1 卷积核。 一般而言，对二维信号进行 1x1 卷积是没有意义的。但是在 CNN 中，整个空间是三维的，这个卷积核的实际大小为 $1\times 1\times \text{num{\_}channels}$。在这个卷积核在原有的 $m\times n$ 图像空间的每一个位置，都会与该点的 $\text{num{\_}channels}$...

感受野（Receptive Field）指的是在输入图像上，能够影响到 CNN 中**某一个特定特征**值的那片区域。它的基本属性为中心位置和尺寸。 例如下面这个例子： <Image src={image_2025_11_03_20_51_00} alt="alt text" /> 这里的绿色特征图的每一个绿色点都是由一个 3x3 卷积层在蓝色的输出图上平移得到的，因此它的感受野为3。...

VGGNet 这一网络架构揭示了网络深度对模型性能的影响，它只使用简单的 3x3 卷积核就得到了非常好的结果。 VGGNet 网络的设计哲学如下： 1. 使用小卷积核：全部使用很小的 3x3 卷积核。 2...

AlexNet大胆地构建了一个比LeNet深得多、宽得多的网络，并通过在 ImageNet 上的结果证明了：当网络足够深、数据足够多时，CNN的性能可以超过所有传统方法。 原始 AlexNet 的网络架构如下： . [alt text](alexnet-frame-and-demo-images/2025-11-02-11-18-32...

LeNet 通过较为简单的网络架构，实现了下面的目标： 1. 有效的特征提取：使用“卷积层+池化层”的特征提取模块。 2...

方程组 $Ax = b$ 的所有解可以表示为下面的结构： $$ x = x_p + x_n $$ 其中： $$ A x_p = b,A x_n = 0 $$...

向量空间的定义如下：一个向量空间是一个由“向量”组成的集合，在这个集合中，我们进行如下运算： 1. 向量加法：空间内的任意两个向量相加，结果仍然在这个空间内。 2...

在讲解了装饰器模式后，下面我们基于这个模式来设计一个简单的 Web 框架。框架基于 Exoress、加入了装饰器模式的设计。 > 之所以选择 Web 框架是因为问 AI 问题的时候它举了这个的例子，因此就试着写了一个简单的。 基于装饰器模式的核心思想是**使用装饰器将核心逻辑托管给元数据**，然后在最终的应用层中系统地处理这些元数据、从而实现 Web 逻辑。 下面是 Application...