最近好不容易用服务器把模型跑起来了，美滋滋地看他一轮一轮训练，感觉应该没啥问题，想着一个晚上训练完肯定没问题！结果第二条早上来一看：main()这不是说我显存不够了吗！使用nvidia-smi命令查看服务器显卡使用情况：没错，我用的就是0号显卡，难道是实验室师兄师姐在训练模型？不应该呀！这个显存占用量和我模型训练的显存占用量极为相似，何况师兄师姐他们训练模型之前肯定会查看显卡的使用情况的！

在本次实验中，我们使用了一个包含人的身高©、体重(kg)和性别(male/female)的数据集。这个数据集被分为训练集和测试集，训练集用于训练KNN模型，而测试集用于评估模型的性能。为了探究数据量对模型性能的影响，我们尝试了增加训练集和测试集的数据量。此外，我们还考虑了不同的K值对模型预测准确率的影响。数据集的具体介绍如下：①基于身高和体重的性别预测：训练数据集包含多个样本，每个样本有两个属性：

这篇文章探讨了少样本缺陷检测（few-shot anomaly detection ：FSAD)，这是一种实用但尚未被研究的异常检测（AD），少样本意味着在训练中只为每个类别提供有限数量的正常图像。现有的少样本异常检测的研究主要使用的是一类别一模型（the one-model-per-catego ）学习范式，而类别间的共性尚未被探索。受人类探测异常的启发，将有问题的图像与正常图像进行比较，我们在

pycharm 默认的终端是 Windows PowerShell将终端设置为 cmd.exe

🪧第一章我们了解了监督学习和非监督学习，接下来我们将依次进行学习。监督学习任务主要有两个：回归和分类。回归问题的基础算法是：线性回归模型（linear regression)。这一章将对单变量线性回归(linear regression with one varible)进行全面的学习，进而在下一章的多变量线性回归(multiple linear regression)模型中能更好的类比和掌握。

MapReduce的算法核心思想是：分治学过算法的同学应该会学到分治算法，所谓分治，就是把原问题分解为规模更小的问题，进行处理，最后将这些子问题的结果合并，就可以得到原问题的解。MapReduce这种分布式计算框架的核心就是：分治。上图是MapReduce的处理流程图，可以看到，MapReduce的整个过程主要分为：输入：来自存储在hdfs上的文件block进行分块（split）后，并且进行读取数

有几个不同的选项可以将你的Python机器学习模型集成到你的C++ Qt客户端应用程序中。通过嵌入式Python部署方法，目标机器（用户的机器）无需单独安装Python。这是因为所有必要的Python组件都应该被包含在你的应用程序中，作为该应用程序的一部分进行分发。这意味着Python解释器和所有必要的库、模块及其他依赖都被静态链接到应用程序或以其他形式捆绑在一起，用户不需要执行额外的安装步骤。

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

🪧在前面几章，我们学习了一些传统的机器学习算法：线性回归和逻辑回归。接下来我们将学习更高级更有效的的机器学习算法：神经网络（Neural Networks;深度学习,deep learning)、决策树(Decision Trees)。这一章主要介绍卷积神经网络，从它的起源、发展、原理、预测和训练等方面进行讲解。也是一个简单的介绍，对神经网络这种算法有初步的认识和较为全面的理解。因为我们知道，深

背景：Meanshift算法是Fukunaga于1975年提出的，其基本思想是利用概率密度的梯度爬升来寻找局部最优。到了1995年，YizongCheng针对离x越近的采样点对x周围的统计特性越有效，定义了一族核函数，并根据所有样本点的重要性不同，设定了一个权重系数，扩大了MeanShift的使用范围。啥是概率密度？？？