find / -name “libpython3.7m.so.1.0”找到路径：/usr/local/lib/libpython3.7m.so.1.0。/etc/ld.so.conf.d目录，创建文件python3.conf，加入这个库所在的路径/usr/local/lib。

参数用于指定在图上绘制数据点的标识符。这些标识符可以帮助你在图中更清晰地标记数据点的位置。函数中使用这些标识符来改变数据点的外观。分别是你要绘制的数据的X和Y值。根据需要，你可以选择不同的标识符来突出显示数据点。

这里要注意2中前面的地址根据。

/XXX/TensorRT-8.2.5.1/bin注意：得到：

是OpenCV中的一个函数，用于对图像进行Laplacian滤波处理，以检测图像中的边缘。Laplacian滤波器是一种二阶微分滤波器，它对图像的二阶导数进行计算，从而凸显出图像中的边缘或颜色变化区域。高斯模糊是一种常用的图像平滑滤波方法，它利用高斯函数对图像进行加权平均，降低图像的噪声和细节。是表示旋转矩形的参数，它可以是一个元组或一个包含4个浮点数的数组，表示旋转矩形的中心点坐标、宽度、高度和

python版本的并行运行，极致使用CPU

需要注意的是，在多线程环境下，确保线程安全，避免竞态条件和数据共享问题。函数可以更有效地利用多核 CPU 来处理图像，但也要确保你的操作是线程安全的。需要注意的是，并行处理的粒度要适当，避免过细的任务划分造成额外的线程开销。函数适用于并行处理单一循环范围，如果你想要并行处理双重循环并优化内层循环，可以将内层循环拆分成更小的任务单元，然后使用。是 OpenCV 库中的一个类，用于表示矩形区域的坐标和

其他参考资料：https://paperswithcode.com/paper/efficientad-accurate-visual-anomaly-detection。Github链接：https://github.com/openvinotoolkit/anomalib/blob/main/README.md。论文链接：https://arxiv.org/pdf/2202.08341v1.p

本文提出PatchMixer模型，这是一种基于深度可分离卷积和补丁混合架构的时间序列预测方法。模型通过将时间序列划分为补丁进行处理，采用双头预测机制分别建模线性和非线性模式。训练流程包括数据准备、模型建立、损失定义、参数优化等步骤，关键超参数包括补丁大小、学习率、批量大小等。预测过程通过补丁划分、嵌入和深度可分离卷积处理实现。实验采用7:1:2的数据划分比例，输入序列长度为96时，模型可预测未来9

输出都是13X13X2046，和原始的拼接起来，最后的shape为13X13X2046。CSP是可以增强CNN学习能力的新型结构，CSPNet将底层的特征映射分为两部分，一部分经过密集块和过渡层，另一部分与传输的特征映射结合到下一阶段。（3）网络实质上是看不见anchor box的，在anchor box的基础上进行边界回归更像是一种在范围比较小时候的强行记忆。降低易分样本的loss贡献，让网络专