特征提取是从原始数据中提取出能够代表数据本质特征和关键信息的过程，在很多领域都有广泛应用。原始数据往往包含大量的冗余信息，特征提取的目的是去除这些冗余，提取出最具代表性、最能区分不同类别或模式的特征，从而降低数据维度，提高数据处理的效率和效果，同时也有助于后续的数据分析、建模和决策。这些特征提取算法在不同的应用场景中各有优劣，本文主要介绍sift算法。

BERT（Bidirectional Encoder Representations from Transformers）是由 Google 在 2018 年提出的预训练语言模型框架，其核心思想是通过双向 Transformer 编码器学习深层语言表征，在自然语言处理（NLP）领域具有里程碑意义。

读取图像观看效果sobel算子。

迁移学习（Transfer Learning）是机器学习中的一个重要概念，旨在将从一个任务（源任务）中学习到的知识应用到另一个相关的任务（目标任务）中，以提高目标任务的学习效率和性能。在传统的机器学习中，模型通常是在特定的数据集上进行训练，并且只能在相似的任务上表现良好。如果遇到新的任务，就需要重新收集和标注大量的数据，并从头开始训练模型。迁移学习的出现，为解决这些问题提供了一种有效的方法。迁移学

定义一个名为 CNN 的卷积神经网络类，继承自 nn.Module# 调用父类 nn.Module 的构造函数# 定义第一个卷积层块# nn.Conv2d(1, 64, 5, 1, 2)：输入通道数为 1（因为是灰度图），输出通道数为 64，卷积核大小为 5x5，步长为 1，填充为 2# nn.ReLU()：使用 ReLU 激活函数增加模型的非线性# nn.MaxPool2d(kernel_siz

定义残差块类，继承自 nn.Module# 调用父类的构造函数# 定义第一个卷积层，输入通道数为 channels_in，输出通道数为 30，卷积核大小为 5，填充为 2# 定义第二个卷积层，输入通道数为 30，输出通道数为 channels_in，卷积核大小为 3，填充为 1# 输入数据通过第一个卷积层# 经过第一个卷积层的输出再通过第二个卷积层# 将输入 x 与卷积输出 out 相加，并通过

BERT（Bidirectional Encoder Representations from Transformers）是由 Google 在 2018 年提出的预训练语言模型框架，其核心思想是通过双向 Transformer 编码器学习深层语言表征，在自然语言处理（NLP）领域具有里程碑意义。

YOLOv4 是一种目标检测算法，属于 YOLO（You Only Look Once）系列的第四代版本。它在目标检测领域有着重要地位，结合了许多先进的技术，在速度和精度上取得了较好的平衡。主要特点高效的检测速度：和传统的目标检测算法相比，YOLOv4 速度极快，能够实时处理视频流，这让它可以在对实时性要求较高的场景中使用，比如自动驾驶、视频监控等。高检测精度：它通过采用一系列先进的技术和改进的网

损失函数用于衡量模型的好坏，正则化惩罚用于防止过拟合，梯度下降用于优化模型参数，它们在神经网络的训练中起着至关重要的作用，相互配合，使得神经网络能够学习到数据中的规律，提高模型的性能和泛化能力。损失函数（Loss Function）用于衡量模型预测结果与真实标签之间的差异程度，它是评估模型性能的重要指标，也是模型训练过程中的优化目标。正则化惩罚是一种用于防止神经网络过拟合的技术，通过在损失函数中添

'''定义神经网络 类的继承这种方式'''class NeuralNetwork(nn.Module): # 通过调用类的形式来使用神经网络，神经网络模型nn.moduledef __init__(self): # self类自己本身super().__init__() # 继承的父类初始化self.flatten = nn.Flatten() # 展开，创建一个展开对象flattendef fo