表示词汇表的大小，它代表了序列中的每个时间步可能的输入的数量。在自然语言处理任务中，词汇表的大小通常对应于词汇表中不同词汇的数量。这个 RNN 层可以用来处理序列数据，例如文本数据，在文本数据中，每个时间步可以对应一个词汇表中的一个词或一个词的嵌入表示。，即 RNN 层内部神经元的数量。，返回一个全零的张量，其形状取决于 RNN 的层数、方向数、隐藏单元数以及批量大小。在循环神经网络中，输入数据通

参考文章1：https://gitcode.csdn.net/65ea814b1a836825ed792f4a.html参考文章2： Windows 安装docker（详细图解）-CSDN博客在官网上下载 Docker Desktop，可以从以下链接下载最新版本：https://www.docker.com/products/docker-desktop下载完成后，运行安装程序并按照提示进行安装。

和其他 Linux 命令来查看容器内的文件和目录结构。查看容器内文件结构。

图像卷积就是卷积核在图像上按行滑动遍历像素时不断的相乘求和的过程 .

图像轮廓是具有相同颜色或灰度的连续点的曲线. 轮廓在形状分析和物体的检测和识别中很有用。轮廓的作用:用于图形分析物体的识别和检测注意点:为了检测的准确性，需要先对图像进行二值化或Canny操作。画轮廓时会修改输入的图像, 如果之后想继续使用原始图像，应该将原始图像储存到其他变量中。

OpenCV上有八种不同的目标追踪算法:：和Haar cascades（AdaBoost）背后所用的机器学习算法相同，但是距其诞生已有十多年了。这一追踪器速度较慢，并且表现不好。（最低支持OpenCV 3.0.0）：比上一个追踪器更精确，但是失败率比较高。（最低支持OpenCV 3.0.0）：比BOOSTING和MIL都快，但是在有遮挡的情况下表现不佳。（最低支持OpenCV 3.1.0）比KCF

图像分割: 将前景物体从背景中分离出来.图像分割分为传统图像分割和基于深度学习的图像分割方法.传统图像分割就是使用OpenCV进行的图像分割.传统图像分割方法有:分水岭法GrabCut法MeanShift法背景扣除

的假设是存在阈值 TH 将图像所有像素分为两类 C1 ( 小于TH )和 C2 ( 大于TH ),存在阈值。cv2.matchTemplate(), 局部图片通过cv2.matchTemplate找出在原图片的位置。通过设定阈值进行控制, 相关性大于0.8,匹配上(matchTemplate))，则这两类像素各自的均值就为m1、m2，图像全局均值为mG。otsu算法(大津算法)

数据四分类:# 继续训练# 定义训练过程total = 0# 测试过程指定训练# 指定训练次数model.parameters # 查看模型结构。

机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识。深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需要人工设计特征提取环节。深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、语音、自然语言领域(N