这里提一下，之前我用的SpringBoot是3.2.4版本的，引发了NoSuchBeanException，换成了2.7.3后才解决这个报错，但是又出现了CannotGetJdbcConnectionException。但是奇怪的是，如果此时你把&allowPublicKeyRetrieval=true去掉后，再运行Test，居然不会报错了。在test包下自己写了一个UserMapper测试刚写的

特指网络模型中计算复杂度较高、耗费大量时间的层或模块。耗时层通常是指那些计算量较大的层或模块，它们在网络的前向传播过程中会消耗较多的时间和计算资源。具体而言，常见的耗时层包括深度可分离卷积（如 MobileNet 中使用的层）、卷积层、循环神经网络（如 LSTM、GRU）、注意力机制等。对于训练任务而言，耗时层意味着更长的训练时间，而对于推理任务而言，耗时层意味着更长的推理时间。因此，在设计和优化

当一个5*5的输入，碰上了一个3*3的卷积，它们的操作是这样进行的：找一个 3*3 矩形中的数据，与卷积中的数据，对应元素相乘再相加。以此类推。对单通道而言，当知晓卷积是如何运算的时候，我们需要思考一个问题，就是 5*5 的输入，经过卷积之后，为啥会是 3*3，如果我给个100*100的输入，那么卷积结果是多少*多少呢。根据卷积运算的思想，我们需要记住一个公式就可以得知卷积出来的结果是什么样子了。

卷积 + BN + 激活(ReLU6)三层合一封装，注意是要继承于nn.Sequential# 这样做的原因是许多卷积层的定义都需要进行这三种相同的操作，故封装起来方便调用# Conv2d中的groups选项用于指定卷积操作的分组数，分组数默认为1，即不分组，用于3*3DW层中使用自动分组，减少参数运算量# padding操作是为了保证输入shape与输出shape一致# 封装的具体内容：Conv

特指网络模型中计算复杂度较高、耗费大量时间的层或模块。耗时层通常是指那些计算量较大的层或模块，它们在网络的前向传播过程中会消耗较多的时间和计算资源。具体而言，常见的耗时层包括深度可分离卷积（如 MobileNet 中使用的层）、卷积层、循环神经网络（如 LSTM、GRU）、注意力机制等。对于训练任务而言，耗时层意味着更长的训练时间，而对于推理任务而言，耗时层意味着更长的推理时间。因此，在设计和优化

特指网络模型中计算复杂度较高、耗费大量时间的层或模块。耗时层通常是指那些计算量较大的层或模块，它们在网络的前向传播过程中会消耗较多的时间和计算资源。具体而言，常见的耗时层包括深度可分离卷积（如 MobileNet 中使用的层）、卷积层、循环神经网络（如 LSTM、GRU）、注意力机制等。对于训练任务而言，耗时层意味着更长的训练时间，而对于推理任务而言，耗时层意味着更长的推理时间。因此，在设计和优化

定义：DataLoader是 PyTorch 提供的一个数据加载器，用于对数据进行批量加载和处理。它在训练神经网络时起到了重要的作用。它存在于 torch.utils.data 包下，需要的时候应该在该包下导入DataLoader。神经网络的训练过程通常需要大量的数据，而将所有数据一次性加载到内存中是不可行的。这时候就需要使用 DataLoader 将数据分成小批次进行加载。DataLoader

特指网络模型中计算复杂度较高、耗费大量时间的层或模块。耗时层通常是指那些计算量较大的层或模块，它们在网络的前向传播过程中会消耗较多的时间和计算资源。具体而言，常见的耗时层包括深度可分离卷积（如 MobileNet 中使用的层）、卷积层、循环神经网络（如 LSTM、GRU）、注意力机制等。对于训练任务而言，耗时层意味着更长的训练时间，而对于推理任务而言，耗时层意味着更长的推理时间。因此，在设计和优化