（并没有改变p所指的变量类型，而是从q的角度看i，q也指向i，通过p看i，i是int，通过q看i，i是void*）4.int main()也是一个函数，是返回int类型的main函数，有返回值，程序总是从main函数开始，最后到main函数结束（结束时有return语句）int* p= &i；*p是一个指针，带*是标识，p是新变量，类型是int，它指向i这个变量，将i的地址交给指针（p保存i的地址

AI 时代的浪潮，似乎裹挟着我们每个人都“懂点 AI”才不会被时代所抛弃。如果你在网络上搜索 AI 学习，一定跳不过的一个词就是 深度学习。无论是图像识别、自然语言处理，还是大模型应用背后的训练机制，深度学习是这套体系的基础。

Docker 在启动时会构建一套虚拟网络体系。每个容器都运行在独立的网络命名空间（network namespace）中，拥有自己的虚拟网卡与 IP。容器像是一台”独立的小电脑”。Docker 通过虚拟网桥将这些容器连接起来，并在容器与宿主机之间实现受控通信。在同一子网中的容器可以直接互相通信，而容器与宿主机之间默认是隔离的。Docker 允许用户创建自定义网络，本质上是创建独立的虚拟子网。

我们所看到的特征图，即卷积层的输出通常是一个二维矩阵。它有宽高，可以可视化成灰度图或热力图，像是一张新的图像。但这只是形式相似，含义完全不同。如果说一个卷积核对应一种特征，特征图表示某个卷积核的激活强度分布，即某个卷积核对应特征的强弱分布。比如一个竖直边缘卷积核，在竖直边缘处响应强，而在平坦区域响应弱。不同卷积核对应不同特征。在靠近输入的卷积层，它们的输入通道是RGB或原始像素，得到的浅层特征图感

简单分类问题如使用自定义数据集，需要把FashionMNIST(...) 换成一个能返回 (图片, 标签)的 Dataset。可以按文件夹给数据集分好类，类似data/train/val/car/ a.jpg直接用 torchvision.datasets.ImageFolder即可，它默认一个文件夹是一个类别，文件夹名就是 类别名，而文件夹里的所有图片是该类别的样本。同样需要对图像进行统一尺寸、

直观上看，神经网络越深，其表达能力就越强。然而实践中发现，当网络深度增加到一定程度后，模型效果反而会明显下降。这种下降不仅体现在测试集上，在训练集上同样存在，这说明问题并非由过拟合引起，而是网络本身难以被有效优化。这被称为深层网络的问题。随着网络不断加深，误差信息在反向传播过程中难以有效传递，参数更新受阻。在这一背景下，提出了一种新的网络结构，使深层网络的训练变得更加容易，在当年的2015竞赛中获

与x4进行拼接，通道数翻倍，最后经3×3卷积核（stride=1, padding=1）双层卷积DoubleConv，空间尺寸不变，通道被压到 256，最终输出特征图为32×32×256；与x2通道数翻倍（128×128×256），经双层卷积（256→64, mid=128）输出特征图为128×128×64；输入64×64×256， 2×2 最大池化输出32×32×256；输入256×256×1，

如果在不同电脑或服务器上手动安装这些环境，可能会遇到版本不一致、依赖冲突、CUDA 不兼容等问题。的作用就是将项目运行所需的系统环境、Python 环境和依赖库统一打包成镜像，使项目可以在不同机器上以相同环境运行。

如果在不同电脑或服务器上手动安装这些环境，可能会遇到版本不一致、依赖冲突、CUDA 不兼容等问题。的作用就是将项目运行所需的系统环境、Python 环境和依赖库统一打包成镜像，使项目可以在不同机器上以相同环境运行。

Git 中的 merge 可以理解为：把另一个分支上的修改合并到当前分支。不同合并模式的区别，是合并后提交历史如何呈现、是否保留分支痕迹，以及是否重写提交记录。下面以 main 分支和 feature 分支为例，对常见合并方式进行说明。其中，D、E 表示在 feature 分支上完成的两个提交。