ROS 分布式通信是 “机器人内部的专业通信”，适配 Linux 环境下的节点间交互，但跨平台、跨设备能力弱；Socket（如 Socket.IO）是 “通用跨平台通信”，解决 ROS 无法对接 Web / 手机 / 非 ROS 设备的问题；两者是互补关系：ROS 管机器人内部，Socket 管机器人对外，共同覆盖 “内部控制 + 外部交互” 的全场景；核心取舍：只做机器人内部模块通信 → 用 R

ROS 分布式部署的核心是：所有设备连同一局域网，共用一个roscore（通常运行在电脑），机器人通过指向这个roscore；roscore是跨设备通信的 “中转站”，负责节点注册、消息路由和参数共享；关键配置是机器人的（指向 roscore IP）和ROS_IP（自身 IP），确保网络互通 + 防火墙放行即可实现跨设备通信。

ROS（Robot Operating System）是一个专为机器人开发设计的开源中间件框架，旨在简化机器人系统开发。其核心包括：roscore（通信中枢）、节点（功能单元）、功能包（代码组织）、话题（异步通信）、服务（同步通信）等组件。ROS采用模块化设计，支持跨语言、跨设备交互，提供传感器驱动、路径规划等常用功能封装。开发流程通常从启动roscore开始，通过rosrun或roslaunch

将训练数据集拆分成多个子集，分发到不同设备（如多 GPU），每个设备部署完整的模型副本，各自用分配到的数据子集独立计算梯度，最后汇总所有设备的梯度并更新模型参数，再将更新后的参数同步回各设备。将模型本身拆分成多个部分（按层 / 参数维度拆分），每个部分部署到不同设备，数据按模型执行流程依次通过各设备的模型片段，完成前向 / 反向传播，最终实现完整的模型计算。

0/1 损失是 “理想但不可用” 的损失函数 —— 其非凸、非连续的特性导致无法高效优化，且不区分置信度的设计与 SVM “最大化间隔” 的目标完全冲突。而 Hinge 等替代损失函数，通过凸性 + 连续性解决了优化难题，通过 **“低置信度惩罚”** 精准匹配了 SVM 的间隔目标，最终成为 SVM 的核心损失函数。这一选择本质是 “任务目标（最大化间隔）” 与 “优化可行性” 权衡后的最优结果

要理解深度学习中的优化器，核心是从 “如何高效更新模型参数以最小化损失” 这一问题出发，按 “基础→改进→融合” 的逻辑梳理。以下从最简单的优化器开始，逐步深入复杂方案，每个优化器均包含，帮助清晰理解演进脉络。

要理解深度学习中的优化器，核心是从 “如何高效更新模型参数以最小化损失” 这一问题出发，按 “基础→改进→融合” 的逻辑梳理。以下从最简单的优化器开始，逐步深入复杂方案，每个优化器均包含，帮助清晰理解演进脉络。

虽然人们对用自然语言描述视频的任务越来越感兴趣，但目前的计算机视觉算法在视频及其可以识别的相关语言的可变性和复杂性方面仍然受到严重限制。这在一定程度上是由于当前基准测试的简单性，这些基准测试主要集中在特定的细粒度领域，具有有限的视频和简单的描述。虽然研究人员已经为图像字幕提供了几个基准数据集，但我们不知道有任何大规模的视频描述数据集具有全面的类别和多样化的视频内容。在本文中，我们提出了MSR-VT

以前常看到许多著名的模型中(Transformer,SwinTransformer...)都存在着归一化操作,当时只道是寻常，了解了大概功能和其存在的意义之后就没再深研究，最近自己上代码打算着手实战，相对这个歌操作进行一个概要的梳理，重点在与原理与应用，至于设计者的构思不做详细阐述。

一、Prompt 工程（Prompt Engineering）Prompt 工程是通过设计输入文本（Prompt）的形式，引导大模型在不修改参数的情况下，更好地理解任务需求并输出符合预期的结果。核心是 “用自然语言指令或示例‘激活’模型的固有能力”，无需训练，属于 “零样本 / 少样本学习” 范畴。用人类可理解的文本形式，为大模型提供 “任务锚点”，激活其预训练知识，约束其生成逻辑，最终弥合 “模