🍊什么是计算机视觉特征？简单来说就是图像特征，对于我们来说，看到一张图片，能很自然的说出和描述图像中的一些特征，但是同样的图片，丢给计算机，只是一个二维矩阵，计算机需要从这个图像中提取计算得到一些数值表示，来描述这个图像所具有的特征：颜色、形状、纹理等。🍊什么是计算机视觉特征度量？（如颜色直方图、梯度直方图、形状描述符），（如图像检索、目标跟踪、人脸识别、物体识别等）的。根据，可以将特征度量分

在解决大部分深度学习和机器学习问题时，解决思路通常来源于：判别模型和生成模型。也就是说，这两种模型的方法，给许多实际问题提供了基础的概念框架和思考方向。基于这两种模型的特征、方法、应用场景的不同，其实也可以很容易将其区分开来：比如上图右侧，将一个图片样本（内容为猫或者狗）区分开来，这就是判别模型所需要做的。

前言一、图像传感器技术1.0：前言1.1：两种典型图像传感器1.2：图像传感器主要参数解析1.2.1：传感器材料⭐1.2.2：传感器的光电二极管元件⭐1.2.3：传感器分辨率⭐1.2.4：图像传感器的两种基本结构⭐1.2.5：灵敏度1.3：传感器成像原理1.3.1：光腔阵列和光腔1.3.2：如何获得彩色图像1.3.3：马赛克变换（DEMOSAICING）1.4：传感器中的数据流程1.5：传感器的处

光流（optical flow）是空间运动物体在观察成像平面上的像素运动的瞬时速度。所谓光流就是瞬时速率，在时间间隔很小（比如视频的连续前后两帧之间）时，也等同于目标点的位移💭🤔所以也就是说，只要我们求出这个“速度”，也就是只要确定当前目标区域的位移，即可确定这个目标在下一帧中的位置（有时候也会说，根据上一帧和当前帧的信息，确定目标在当前帧中的位置）。——这也是生成式方法中逐次逼近搜索的体现，

点积内积外积哈达玛积（Hadamard Product矩阵乘法这篇博客，我将结合这三种操作在深度学习中的运用，来讲解一下这三种操作的区别。对比总结表运算数学符号代码实现（PyTorch）输入要求输出规则矩阵乘法ABABA @ B或前列=后行行列点积求和点积(内积）u⋅vu⋅v同维向量标量外积u⊗vu⊗v任意两向量矩阵（( \mathbf{u} \mathbf{v}^T )）哈达玛积A∘BA∘BA

递归混合模型（Mixture-of-Recursions, MoR），通过统一参数共享和自适应计算来提升语言模型效率。MoR采用递归层结构实现参数复用，同时引入轻量级路由器动态分配每个token的递归深度，实现按需计算。该方法仅对活跃token进行注意力计算，并选择性缓存中间结果，显著提升了内存访问效率。实验表明，在1.35亿至17亿参数规模下，MoR相比传统Transformer和递归基线模型，

🪧什么情况需要数据库?如果不是上面的原因化，一般可以使用数组来处理。🪧一般常使用的数据库驱动是和。二者区别在于，前者用于服务器存储信息，后者用于本地存储信息。并且QSQLITE主要用于嵌入式，占用资源非常低，占用内存小，通常几百k就搞定。这里博主因为对MySQL熟悉一些，就使用MySQL来进行数据库的连接。

在之前的学习中，我自以为我对张量、矩阵、数组，已经十分清楚。就在近期我打算再好好学习一下张量各个操作的过程极其原理的时候，才发现之前的自己或许根本没有弄清楚张量到底是个啥？为什么呢？我发现我学习的过程中发现对张量的各个操作有种说不上来的不明白。我问了自己很久，到底是哪一点让自己感受到这种“不舒适”的学习感？我向来是一个喜欢追根溯源，刨根问底的人。于是我问我自己这个问题区分这两个概念：[x,y,z]

爱因斯坦求和约定（Einstein Summation，简称einsum）是一种简洁且功能强大的符号表示法，用于指定复杂的张量运算。在深度学习领域，特别是在 PyTorch 库中，提供了一种灵活的方式来执行各种张量操作，例如矩阵乘法、点积、批量计算、外积、规约（reduction)、重塑（reshaping）或转置（transposing）等等。在上篇文章中我们介绍了张量关于”积“的各种操作【深度

Phenix.map_model_cc工具简介 Phenix.map_model_cc是Phenix软件包中专门用于计算蛋白质模型与电子密度图相关性的工具。它能提供： 全局相关性系数(CC)评估整体模型质量 残基级别的局部CC值，帮助识别弱密度区域 支持多种数据格式(mtz/mrc/map) 基本使用方法只需输入模型文件和密度图： phenix.map_model_cc model.pdb map