【代码】诗词生成--pytorch（1，代码）

重新梳理一下：dert和deformable dert的最大不同在于注意力机制的采样不同，dert在得到特征图之后，用特征图加上位置编码经过初始化的Q，V，K层（可训练）训练得到初始的Q，K，V，通过对得到的QKV进行运算之后，得到输出，输出加上之前进入注意力层之前的特征图，作为下一个注意力层的输入，经过多个注意力层之后得到输出结果，在decoder层中初始化100个向量（用来预测注意力的位置），

传统都是使用单模态的对齐，而我们就不一样了，同时利用冻结的图像编码器和冻结的语言编码器，同时引用Q-Former，将视觉特征映射到LLM可理解的文本空间，解决跨模态对齐的方法。BLIP2提出了一种高效的通用的提升VLP的方法，通过利用冻结的单模态模型（预训练视觉模型+预训练语言模型）减少计算成本，通过Querying Transformer解决模态对齐问题。VLP（视觉语言预训练），单模态模型在视

【代码】诗词生成--pytorch（1，代码）

【代码】C++代码实现中缀表达式转化为二叉树，并实现先序中序后序层次遍历输出。

重点内容：汉明码。

神经网络最初来源于神经科学，而深度学习来自于数学和工程学。目前的神经网络主要用于数学和工程学。神经元对于人工神经网络的发展有极其重要的参考价值。能让神经网络工作起来的重要方法是反向传播，其实就是求导数。不是使用解析式求导数，而是使用反馈。先正向求取结果，然后反向梯度求导数。