主要使用了之前用numpy写好的神经网络层，，包括了full connect、softmax、embedding、attention、decoder层，详细的内容见下面的内容。train准确率可以达到96%。

另外一个简易版本的keras实现：，这个实现内没有采用VIVIT提出的几种模式，直接用3D卷积提取了特征，然后跟了几层transformer。模型从时间或者空间的dimension来拆分了计算，VIT模型需要更多的数据来train，模型参数量更多，常见的视频网络就是3D卷积，然后在视频帧提取的特征之间做average，最后做分类，现在有的工作在后面加了transformer来做分类的，提取时间上帧

通过上面给出的website，也就是RNN和LSTM的内容，可知RNN和LSTM的输入都是按照次序依次输入网络的，像上面给出的example，“输入 的 数据 ”，第一步输入“输入”这个单词的向量，然后输入“的”字的向量，最后输入“数据”的词向量，下面来看看future的意思具体是什么样子的。这的话使用RNN来示范。和之前得到的结果相比较，可以发现每个token只能和之前的token做运算，不能和

实现的github，每一层输出都单独和pytorch对齐了训练codes，由于是CPU训练所以速度较慢写了些个模型，可以正常训练的，还支持保存模型和加载模型重训训练MNIST数据集，testset准确率可以达到90%

在vision transformer内，输入的是图像的小patch，也就是将一个图片分割到几个小方格，然后顺序排列这些小方格子，当作transformer的输入即可。

在yolov3中的Makefile中，设置OpenCV=1，然后编译的时候遇到了这个问题error "OpenCV 4.x+ requires enabled C++11 support解决办法是安装opencv3.4.0，不要安装最新版的opencv4.x，下载链接是：https://opencv.org/opencv-3-4.html先在opencv/build文件夹中make clean，然

Problem:排序，然后统计每个数字的频次，对ch[a] > 1的，需要累加的，找到后续ch[l]==0的最小数字，累加的值就是 ans += l - a，做标记ch[l] = 1以及频次修改ch[a]–，l继续向后的，这样找到的就是最小值。

看了官方题解，感觉和题目的描述不太相同，官方题解使用了分片，也就是找到这个字符串所有的分片然后重排合并，并不是交换一次以后继续递归

【代码】undefined reference to symbol 'pthread_condattr_setclock@@GLIBC_2.17'

使用 cap = cv2.VideoCapture(“rtsp://192.168.1.1:554/” ， cv2.CAP_FFMPEG)，而不是cap = cv2.VideoCapture(“rtsp://192.168.1.1:554/”)方案：多线程，read改成grab不放入缓存内，read直接放入缓存，一个线程读取，另一个线程处理的，一个线程用作缓存，不使用opencv自己的缓存。使用子