两个scanf，第二个scanf是%c时，第一个scanf会造成缓冲区残留\n，下一个scanf会自动接收上一个scanf遗留的\n，所以不会暂停，解决办法是在两个scanf之间加上fflush(stdin)int arr[10]是静态申请的内存，在栈中，用malloc(i)动态申请内存，在堆中malloc()返回的是无类型指针，所以需要强制类型转换，如(char *)malloc(size)；2

场景/操作变量常数（在本次操作中固定）单个模型前向传播输入数据x模型参数θ损失函数求值模型参数θ训练数据(x, y)， 模型结构计算梯度（反向传播）模型参数θ训练数据(x, y)， 模型结构SGD整个训练过程模型参数θ不断变化模型结构固定训练数据(x, y)在不同步骤被采样优化算法（如SGD）的超参数固定核心结论：在SGD优化器进行求导（计算梯度）的那个时刻，我们优化的对象——模型参数θ（如W,

【代码】基于4060显卡创建深度学习环境。

锚框 anchor→可以用来生成候选区 proposal。候选区 proposal → 通常出现在双阶段检测器里。阶段 stage → 决定有没有单独的候选区生成阶段。

RT-DETR 通过高效混合编码器降低 DETR 的计算成本，通过不确定性最小查询选择提升 query 质量，从而实现了一个无需 NMS、端到端、速度和精度都能超过主流 YOLO 的实时目标检测器。实时检测不一定只能靠 YOLO，DETR 也可以做到实时，而且可以更简洁地部署。

DETR 的意义不只是提出了一个检测器，而是改变了目标检测的建模方式：它把检测从复杂的人工 pipeline 变成了一个简洁的集合预测问题。它用 Transformer 的全局建模能力和 Hungarian matching 的一一匹配机制，实现了端到端目标检测。它的优点是结构简单、概念优雅、不需要 anchor 和 NMS，并且对大目标和全局关系建模很强；缺点是训练慢、小目标表现弱。

它们最终面对的都是“从一堆密集的预测中通过 NMS 筛选出最优解”的局面。它们真正的分水岭在于中间那一步的处理方式Two-Stage是个处女座，觉得全图一起算太粗糙了，非要先圈出几个重点怀疑区域（Region Proposals），把这部分的特征抠出来单独仔细研究、二次修正。One-Stage是个急性子，直接在整张图上布满网格，特征图一路走到底，全图所有位置同时给结果，全靠最后的 NMS 乱中取胜

Transformer 成为构建。

它们最终面对的都是“从一堆密集的预测中通过 NMS 筛选出最优解”的局面。它们真正的分水岭在于中间那一步的处理方式Two-Stage是个处女座，觉得全图一起算太粗糙了，非要先圈出几个重点怀疑区域（Region Proposals），把这部分的特征抠出来单独仔细研究、二次修正。One-Stage是个急性子，直接在整张图上布满网格，特征图一路走到底，全图所有位置同时给结果，全靠最后的 NMS 乱中取胜

任务输出粒度是否定位是否区分个体输出形式典型模型分类整图否不适用类别标签目标检测物体级别是否（YOLO等）边界框 + 类别实例分割像素级别是是掩码（Mask）+ 类别语义分割像素级别是否类别图（每个像素有类别）全景分割像素级别是是（所有物体）统一的像素级标注。