知还。

设计网络模型概要输入： 图片Resize 448 * 448 输出：预测目标上的一个目标/物体 可以借助经典模型的部分框架 例如VGG16（经典模型，按照自己需求舍去图像分类部分） 利用前面的特征提取，舍去后面的分类 目标检测模型架构主干 — 颈部 — 头部 1. Backbone – 主干网络 核心作用：从输入图像中提取多尺度、多层次的特征。 工作方式： 像 CNN、ResNet、VGG、ViT 这类网络，会逐步下采样图像，生成不同分辨率的特征图。 浅层特征保留细节（如边缘、纹理），深层特征保留语义（如物体类别、整体结构）。 类比：相当于人的视觉皮层，先把看到的画面拆解成各种基础视觉元素。 2. Neck – 颈部网络 核心作用：对 Backbone 输出的多尺度特征进行融合与增强，实现多分辨率特征聚合。 工作方式： 常见结构如 FPN、PANet、BiFPN，通过上采样 + 下采样的路径，让不同层级的特征互相传递信息。 解决 “小物体特征太弱、大物体特征太粗” 的问题，让每个尺度的特征都包含丰富的上下文信息。 类比：相当于人的视觉中枢，把零散 ...

1.自我介绍问题：Please introduce yourself in English. / Please introduce yourself. / Give a brief self-introduction. • Please introduce your undergraduate school in English. • Introduce your hometown. • Please introduce your family situation. / Please introduce your family/friend/college. 模板：Good morning/aftertoon, professors. My name is Sun Zhicheng. I come from Tai’an and I graduated from Yantai Institute of Technology, majoring in Computer Science and Technology. During ...

YOLO算法 YOLO11 网络结构图 YOLO11 中的 CBS 模块 —— 考研复试 / 项目答辩版（直白易懂）YOLO11 里的 CBS 是核心基础模块，是构成整个网络的「最小单元」，你可以把它理解成 YOLO 系列里 Conv-BN-SiLU 的「三合一封装」。 一、CBS 的全称 & 组成（拆解开就懂）CBS = Conv（卷积层） + BN（批量归一化） + SiLU（激活函数） （注：早期 YOLO 版本用 LeakyReLU，YOLOv8/11 统一换成 SiLU，也叫 Swish 激活） 表格 组件 作用 Conv 卷积层 提取特征、调整通道数（比如把 3 通道图片转成 64 通道特征图） BN 批量归一化 加速训练、防止过拟合、稳定梯度（不用手动调学习率，训练更快） SiLU 激活函数 引入非线性，让网络能拟合复杂特征（比 ReLU 更平滑，精度更高） 二、CBS 在 YOLO11 里的作用 特征提取的「第一步」：输入图片后，第一个模块就是 CBS，先把原始图片转成高维特征图； 轻量化设计：YOLO ...

CNN 卷积神经网络 —— 极简核心版CNN 就是专门处理图片（网格数据）的神经网络， 核心思想：局部连接 + 权值共享 + 下采样 一、CNN 最核心的 3 层（必背）1. 卷积层（Convolution） 作用：提取特征（边缘、纹理、形状、高级语义） 工具：卷积核（滤波器） 原理： 用一个小窗口在图片上滑 做点积运算 得到特征图（feature map） 两个大招： 局部连接：只看附近像素，不是全连接 权值共享：一个卷积核整张图用，参数巨少 2. 池化层（Pooling） 作用：降维、压缩、保留关键信息 常见两种： 最大池化（Max Pooling）：取区域里最大的值 平均池化（Avg Pooling）：取平均 好处： 减小计算量 防止过拟合 让特征更鲁棒 3. 全连接层（FC） 作用：把特征拼成分类结果 把前面的特征图拉平 → 变成向量 → 输出类别概率 二、完整 CNN 结构长这样（标准套路）123456789101112131415输入图像 ↓卷积层 Conv → 激活 ReLU ↓池化层 Pool ↓卷积层 Conv → ...

配置hexo部署需要的客户端免密登录在本地默认用户的根目录下执行 12# 一路回车就行ssh-keygen -t rsa -C "xxxxxx@qq.com" 之后把本地的公钥文件复制到远程服务器 ps：想免密哪个用户就选哪个用户 12ssh-copy-id -i ~/.ssh/id_rsa.pub 远程用户名@ip地址# 提示输入密码 看到这个提示就成功了 接着直接免密登录 1ssh 免密用户名@ip地址 成功！！

深度学习简介一、核心背景（顶层红色文字）“机器学习在处理图像和文本数据方面，能力较弱” 这是整个知识点的前提：传统机器学习（如逻辑回归、SVM、随机森林）擅长处理结构化数据（如表格、数值），但对非结构化数据 （多维）（图像、文本、语音）的特征提取能力不足 —— 无法自动捕捉图像的边缘 / 纹理、文本的上下文语义，因此需要专门的深度学习模型来解决。 二、两大核心解决方案（架构对应与分工）图片通过绿色箭头，将两种非结构化数据与对应的神经网络一一匹配，实现了 “问题 - 解法” 的精准对应： 表格 数据类型 对应模型 英文全称 核心定位 图像 CNN（卷积神经网络） Convolutional Neural Network 专攻空间特征提取（如图像的形状、颜色、局部纹理） 文本 RNN（循环神经网络） Recurrent Neural Network 专攻时序特征提取（如文本的上下文顺序、语义关联） 三、模型核心结构（技术底层）两种网络的核心层分工明确，分别适配对应数据的特性： CNN 的核心层 卷积层：核心层，通过卷积核滑动提取图像的局部特征（如边缘、 ...

爬虫基础011.引入requests爬虫基础阶段最重要的包。 1import requests 2.使用requests访问目标网址以爬取豆瓣为例。 get方法里面有三个参数，分别为 url、请求头、请求参数。 1234567891011121314151617url = 'https://m.douban.com/rexxar/api/v2/movie/recommend'# 请求头my_headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36', 'Referer': 'https://movie.douban.com/explore',}# GET 查询参数my_params = { 'star ...

请求格式1234567891011121314151617181920const accessToken = "xxxxxx";const url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token=" + accessToken;const headers = {headers: {'Content-Type': 'application/json'}} const params = JSON.stringify({ 'messages': [ {"role": "user", "content": "你好呀！"}, ] });axios.post(url, p ...

1.项目配置文件项目主Application编写 1234567891011121314151617181920212223package com.javawiki.wiki_02;import org.slf4j.Logger;import org.slf4j.LoggerFactory;import org.springframework.boot.SpringApplication;import org.springframework.boot.autoconfigure.SpringBootApplication;import org.springframework.core.env.Environment;@SpringBootApplicationpublic class Wiki02Application { private static final Logger LOG = LoggerFactory.getLogger(Wiki02Application.class); public static void main(String[] args) ...

树与图的存储「存储方式：」 邻接矩阵 邻接表（常用） 123456//邻接表int h[N], e[N * 2], ne[N * 2], idx;void add(int a, int b) { e[idx] = b, ne[idx] = h[a], h[a] = idx++;} 树与图的深度优先遍历遍历就根据邻接表遍历方式进行。 1234567891011--------模版---------------// 需要标记数组st[N], 遍历节点的每个相邻的便void dfs(int u) { st[u] = true; // 标记一下，记录为已经被搜索过了，下面进行搜索过程 for (int i = h[u]; i != -1; i = ne[i]) { int j = e[i]; if (!st[j]) { dfs(j); } }} 树的重心给定一颗树，树中包含 n个结点（编号 1∼n）和 n−1条无向边。 ...