我用的是pytorch架构，用简单的乘法数据集构建神经网络，并利用张量对象操作和梯度值计算更新网络权重。
输入层：
输入数据维度为2（简单乘法）。
隐藏层：
包含一个全连接层（nn.Linear(2, 8)），将输入层的2个特征映射到8个隐藏单元。
隐藏层使用ReLU（Rectified Linear Unit）激活函数，这是非线性变换，用于引入非线性到模型中，使网络能够学习更复杂的模式。
输出层：
包含另一个全连接层（nn.Linear(8, 1)），将隐藏层的8个单元映射到1个输出单元。
损失函数：
使用均方误差（Mean Squared Error，MSE）损失函数，适合回归任务，衡量预测值与真实值之间的差异。
优化器：
使用随机梯度下降（Stochastic Gradient Descent，SGD）优化器，学习率我设置为0.001，用于更新网络的权重以最小化损失函数。
通过生成器循环获取的网络参数
损失随 epoch 的变化情况可视化

数据集我选的是讯飞AI开发者大赛的‘车载相机图像的目标检测挑战赛’数据集
[车载相机图像的目标检测挑战赛]（https://challenge.xfyun.cn/topic/info?type=vehicle-mounted-camera）
运行终端截图如下：
输出结果如下：

分数提交效果初步如下：
在小目标检测上，YOLOv10表现逊于YOLOv8，并且对于复杂场景，YOLOV10处理效果不是很好（唯一的优点恐怕就是速度快）（爆改后可能有不错反响）

对于推荐系统，经过初步学习，以电影数据为例的话可以使用两种方式来实现：
1.基于文本CNN的推荐。
2.基于矩阵分解的协同过滤的推荐。
我选的数据集是：（因为这个数据集比较小） ez_douban数据集[ez_douban]（https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/ez_douban/intro.ipynb）
而这个数据集的rating并没有具体的评论，所以用文本CNN可能不是很好，我选择的是矩阵分解的协同过滤算法来实现（同样采用pytorch框架）

从CSV文件中读取用户评分数据和电影信息。
将电影ID映射到连续的整数索引，便于后续处理。
合并数据框，只保留用户ID、电影索引和评分。
创建用户和电影数量的统计变量。
构建用户-电影评分矩阵，其中每一行代表一部电影，每一列代表一个用户，值为用户对电影的评分。

对评分矩阵进行归一化，去除用户评分偏好的平均影响，使得模型更关注于评分差异而非绝对值。

使用PyTorch定义两个参数矩阵：X_parameters 和 Theta_parameters 分别代表电影特征和用户偏好，初始化为随机值。
定义损失函数，包括预测误差的平方损失和正则化项，以防止过拟合。
使用Adam优化器更新参数矩阵，最小化损失函数。

不过由于特征比较缺乏，无法做到有效的矩阵分解，再加上数据的庞大，目前进度困难有待后续改进