在与大模型进行交流的过程中，由于用户经验不足、模型差异性会出现Prompt指令不当的问题，因此需要通过Prompt工程，使用户能够控制模型的输出，使其生成相关、准确且高质量的文本。：在我们输入一段很长文本给大模型时，由于字数限制大模型可能无法全部读取，此时我们能将全篇文本进行分段，将前面内容让大模型总结从而将总结的内容衔接后面的内容，达到层层递进理解的效果。：我们在提出问题时可以在开头加一个"用户

图像分割 传统方法https://zhuanlan.zhihu.com/p/30732385语义分割论文-DeepLab系列http://hellodfan.com/2018/01/22/%E8%AF%AD%E4%B9%89%E5%88%86%E5%89%B2%E8%AE%BA%E6%96%87-DeepLab%E7%B3%BB%E5%88%97/FCN可以接受任意尺寸的输入图像，采用反卷积层对最

第二，为 了条码的可识读性，条码在制作时条和空之间有着较大的反射率差，从而条码区域内的灰度对比度较大，而且边缘信息丰富。第一，条码区域内的条空是平行排列的，方向趋于一致；基于方向一致性的条码定位算法。

将最细的线宽设为 «1»，那么2倍的线宽就是«11»，3倍的线宽就是 «111»，以此类推。空白宽度按照同样原则，分别代表 «0»， «00» 或 «000»。Code-128码是11位条码。把序列拆分成11位数据块，生成字符串并显示。通过纵横配置像素，能够存储更大的信息量，不仅能表达数字，还能表达各类语言。对条码的条杠（＝线）及空间的宽度（间隔）差异进行感测，以此来读取数据。包括3种条杠，用3条

Python/openCV 中cv2.StereoSGBM_create()代码例子import cv2from matplotlib import pyplot as pltimgL = cv2.imread('23.jpg',0)imgR = cv2.imread('24.jpg',0)stereo = cv2.StereoBM_create(numDisparities=16, blockS

VGG有很多个版本，也算是比较稳定和经典的model。它的特点也是连续conv多，计算量巨大（比前面几个都大很多）。（参数量：GoogleNet < AlexNet < VGG）http://www.sohu.com/a/134347664_642762VGG-16入门卷积结果维度=(原图像维度+padding*2-卷积核维度)/stride+1https://blog.csdn.ne

Lenet，1998年Alexnet，2012年 改进模型 ZFNetGoogleNet，2014年VGG，2014年ResNet，2015年Deep Residual Learning，2015年从下往上看：LeNet 7层：卷积、池化、卷积、池化、卷积、全连接、softmax输出AlexNet 11层：5个卷积、3个池化、3个全连接8个模块（5层卷积+3层全连接+输出）：卷积+ReLU+池化+

注意力机制Attention机制最早在视觉领域提出，2014年Google Mind发表了《Recurrent Models of Visual Attention》。2015年，Bahdanau等人在论文《Neural Machine Translation by Jointly Learning to Align and Translate》中，将attention机制首次应用在nlp领域，其

用opencv的dnn模块做yolov5目标检测的程序，包含两个步骤：(1).把pytorch的训练模型.pth文件转换到.onnx文件。第二步编写yolov5.py文件，把yolov5的网络结构定义在.py文件里，此时需要注意网络结构里不能包含切片对象赋值操作，F.interpolate里的size参数需要加int强制转换。不过，最近我发现在yolov5-pytorch程序里，其实可以直接把原始

YOLORoss Girshick —— Facebook AI Research （RBG大神）论文阅读：You Only Look Once: Unified, Real-Time Object Detectionhttps://blog.csdn.net/u010167269/article/details/52638771制约RCNN框架内的方法精度提升的瓶颈是将dectection问题转