环境变量是操作系统指定运行环境的参数，具备全局特性。例子：编译 C 程序，编译器能自动找到库文件，就是依靠环境变量完成查找。本地 shell 变量：仅当前 shell 可见，子进程不可见export 导出 → 环境变量，子进程继承持久化：写到~/.bashrc文件，登录自动加载。

在操作系统中，进程是最核心的概念之一。本文整沿着“硬件—操作系统—进程”这条主线展开：先从冯诺依曼体系结构认识计算机的基本组成，再理解操作系统“管理”的本质，最后进入进程的世界——进程是什么、操作系统如何用PCB（task_struct）描述并组织进程、如何查看进程、如何获取进程标识符、如何用fork创建进程。对冯诺依曼的理解，不能停留在概念上，要深入到对软件数据流的理解上。在开发角度，操作系统对

优势端到端无 NMS，部署链路干净，规避 NMS 调参玄学与额外耗时；速度精度表现优秀，同算力下对比 YOLO 可以取得更高 AP；推理阶段可动态裁剪 Decoder 层数，无需重训，适配不同算力设备；混合编码器设计，高层全局建模 + 卷积多尺度融合，兼顾全局语义和小目标细节；Query 选择机制提升初始候选质量，加速收敛；RepVGG 重参数化，训练多分支提精度，推理单卷积保速度。不足Trans

输入层：RGB 图像转为三维像素数值矩阵；卷积 + 激活：多层卷积逐层提取特征，浅层识别边缘、纹理，深层识别物体轮廓、语义；池化层：压缩特征图尺寸，过滤冗余信息；重复堆叠：卷积 + 池化循环堆叠，构建深层特征提取网络；全连接层：将二维特征图展平一维，融合全局特征；输出层：分类任务搭配 Sigmoid/Softmax，输出类别预测结果。全连接网络是深度学习基础，依靠激活函数实现非线性拟合，通过前向传

彻底解决网络退化：shortcut 天然支持恒等映射，深层模型性能不会低于浅层；梯度高速通道：反向传播时梯度可直接通过短路连接回传，大幅缓解梯度消失；可无限加深网络：从 ResNet18/34 浅层，到 ResNet50/101/152 超深层，适配不同算力场景；结构轻量化、易迁移：3×3 卷积复用 VGG 简洁设计，搭配 BN 训练稳定，图像分类、检测、分割、分割、OCR 全部通用；残差思想具备

LeNet（标准版本 LeNet-5）由 Yann LeCun 在 1998 年提出，是全球第一个成功商用的卷积神经网络局部感受野、权重共享、空间下采样（池化）。在 ReLU、最大池化还未普及的年代，LeNet 采用Sigmoid激活 +平均池化，结构极简、参数量少，非常适合 CNN 初学者入门。本文基于 PyTorch 完整复现适配 28×28 灰度图的 LeNet，使用 Fashion-MNI

彻底解决网络退化：shortcut 天然支持恒等映射，深层模型性能不会低于浅层；梯度高速通道：反向传播时梯度可直接通过短路连接回传，大幅缓解梯度消失；可无限加深网络：从 ResNet18/34 浅层，到 ResNet50/101/152 超深层，适配不同算力场景；结构轻量化、易迁移：3×3 卷积复用 VGG 简洁设计，搭配 BN 训练稳定，图像分类、检测、分割、分割、OCR 全部通用；残差思想具备