神经网络概述和模型训练的一般步骤
"激活函数，博大精深"
层
神经网络按最简单的分类，就是输入层、隐藏层和输出层，举一个最简单的例子：你现在有一张灰度图像，假设为 1000×1000 的格式，现在要用神经网络检测它是否是猫的图像。首先这张图像的 (1000, 1000) 数组被输入层处理后，被提取为不同的特征进入隐藏层，或许在第一层隐藏层中，神经网络的各个神经元都在处理不同的、很小的图像像素，这一层提取到的特征将通过激活函数传递给下一层，下一层也许会处理比较大块的图像像素，然后将提取的特征又通过激活函数传递给下一层……如果我们的需求是：图像里的是猫就输出 1，不是猫就输出 0，那么最后一层完全可以就是一个逻辑回归，只有一个神经元输出 0 或 1。
激活函数
激活函数的设置，就是为了引入非线性。激活函数当然可以是线性函数，但是如果所有层都使用线性激活函数，那么线性函数套线性函数还是线性函数，这个神经网络只做了个线性回归。
经常使用的激活函数除了逻辑回归的 sigmoid 函数，还有 Tanh、ReLU（最常用，几乎是 CNN 和 MLP 隐藏层首选）、GELU（Transformer 最常用）、Softmax（多分类）。
"激活函数，博大精深"，ReLU 的魅力所在可以去各大平台听讲解，这里不再赘述。
同一层的神经元共用一个激活函数，只不过每个神经元有自己的处理参数。（这一块可以去 b 站找吴恩达的教程）
我如何开始我的项目
- 确定任务内容、创新点。
- 收集数据集。
- 把数据集划分为训练集（train set）、验证集（validation set）和测试集（test set），这么做是为了验证模型的泛化能力，避免过拟合。比如在训练集上表现很好的模型，如果它过拟合了，那么它在验证集上会表现得很差，在简单的任务或者小工程中，查看模型在验证集上的表现一般就能知道模型的泛化能力了。
- 选择模型进行构建。
怎么判断模型好不好
1. 混淆矩阵
假设我们要查看类别 A 的预测情况。假设混淆矩阵横向为真实值记为 P（Positive）和 N（Negative），表示真实结果是否是类别 A；纵向为预测值，同样记为 P（Positive）和 N（Negative），表示预测的结果是否为 A。如果预测的结果与真实值相同，就在前面加上 T（True），预测错误则在前面加上 F（False），第二个字母则是预测值（P 或 N），这样就把预测结果和真实结果的关系对应起来了。
假设我们正在处理一个"疾病诊断"问题：
- 正例：患病
- 负例：健康
| 实际\预测 | 预测为正例 | 预测为负例 |
|---|---|---|
| 实际为正例 | True Positive (TP) 真正例：病人被正确诊断 | False Negative (FN) 假负例：病人被误诊为健康 |
| 实际为负例 | False Positive (FP) 假正例：健康人被误诊为病人 | True Negative (TN) 真负例：健康人被正确诊断 |
2. 精确率、召回率与 F1 分数
| 指标 | 含义 | 公式 |
|---|---|---|
| 精确率（Precision） | 在所有预测为正的结果中，真正为正的比例；反映模型的防错检能力 | |
| 召回率（Recall） | 在所有实际为正的样本中，被预测正确的比例；反映模型的防漏检能力 | |
| F1 分数（F1 Score） | 精确率与召回率的调和平均，用于平衡二者（一般二者相斥） |
一般来说，训练完模型后查看它在验证集上的表现时，我们先查看 F1 分数的大小来判断模型是否合格。
3. mAP（mean Average Precision）
这是模型评价的核心指标，它综合了不同置信度和 IOU 的检测表现。首先要计算 AP（Average Precision）——Precision-Recall 曲线下的面积（AUC），而 mAP 就是对所有类别的 AP 取平均（mean），例如 mAP@[IOU=0.5] 就是在 IOU=0.5 的阈值下，对所有类别的 AP 取平均。YOLO 官方也就是将 mAP 对比图作为 YOLO 模型质量的标准。