神经网络工作流程
神经网络工作流程： 特征分解1（手写数字->简单笔画组合）、特征分解2（简单笔画->最小笔画组合）、特征识别1（最小笔画组合->简单笔画）、特征识别2（简单笔画组合->手写数字）
神经网络工作流程
特征分解1： 将手写数字分解为多个简单笔画（基本元素）
特征分解1
-
数字9分解为0和1： 数字9由一个垂直的直线段和一个向右弯曲的弧线组成。 可以将9的顶部弯曲部分视为一个变形的“0”，而垂直的直线段可以看作是一个“1”。需要注意的是，这种分解并不是严格的数学意义上的0和1，而是从形状上的一种近似。
-
数字8分解为两个0： 数字8由两个相互连接的圆形或椭圆形组成，一个在上，一个在下。 可以将8的上半部分和下半部分各自视为一个变形的“0”。同样，这种分解是基于形状的相似性，而不是数学上的等同。
-
数字4分解为三部分： 数字4由一个垂直的直线段和一个向右的斜线段组成，斜线段上方有一个小的水平线段。 垂直的直线段：这是4的主要部分，从上到下贯穿整个数字。小的水平线段：位于垂直直线段的上方，与垂直线段相交。向右的斜线段：从垂直直线段的顶部开始，向右下方延伸。
特征分解2： 将简单笔画（基本元素）分解为多个最小的笔画组合
特征分解2
-
基本元素0： 数字0通常被视为一个闭合的圆形或椭圆形。为了将其分解为更小的笔画组合，我们可以考虑将其分解为多个小的直线段或弧线段。 确定圆形的起始点和结束点，从起始点开始，沿着圆形的轮廓，我们可以将其分解为多个小的弧线段。每个弧线段都是圆形的一部分。
-
基本元素1：数字1主要由一个垂直的直线段组成。 将垂直直线段视为由多个小的直线段组成。
特征识别1：将最小的笔画组合识别为简单笔画
特征识别1
特征识别2：将简单笔画组合识别为手写数字
特征识别2
注释
神经网络动画素材来源于3Blue1Brown，想了解更多查看参考资料网址。
3Blue1Brown 是一个由 Grant Sanderson 创建的YouTube 频道。这个频道从独特的视觉角度解说高等数学，内容包括线性代数、微积分、人工神经网络、黎曼猜想、傅里叶变换以及四元数等。
Grant Sanderson 毕业于斯坦福大学，并获得了数学学士学位。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉[CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）]()👈
