使用QMediaPlayer播放视频文件的时候需要指定播放时的视频输出控件，位于PyQt5.QtMultimediaWidgets下的QVideoWidget就是视频输出控件之一。但是QVideoWidget并不是设计师控件之一，换言之，在pyqt5designer中是找不到这个控件的。QVideoWidget是双继承了QWidget和QMediaBindableInterface，所以一个QVi

总结：必须设置好GOPROXY，然后通过VSCode的GO插件下载安装额外的工具才能成功配置好环境。只要下载并安装了GO SDK，下载GOLANG安装启动后就可以进行GO语言的开发，无需任何额外的设置。会提示还有几个工具需要安装（一共是8个，这8个工具必须要安装，不安装GO程序无法运行），点击install all即可。这里最重要的一项是要检查GOPROXY的设置，GO语言是Google家的产品，

如果有注册的servelt映射，则servelt的配置会压制welcome-file-list的设置。但是需要注意的是窗口下方的Application Context，如果按照这个内容，那意味着我们项目部署后的根路径是http://localhost:port/webdemo_war_exploded/我使用的是Tomcat9。注意观察路径，我们现在的位于根路径/，别忘了这是在Deployment

使用QMediaPlayer播放视频文件的时候需要指定播放时的视频输出控件，位于PyQt5.QtMultimediaWidgets下的QVideoWidget就是视频输出控件之一。但是QVideoWidget并不是设计师控件之一，换言之，在pyqt5designer中是找不到这个控件的。QVideoWidget是双继承了QWidget和QMediaBindableInterface，所以一个QVi

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

上采样：别名：放大图像，也叫图像插值。目的：放大原图，从而可以显示在更高分辨率的显示设备上。缺点：会对图像的质量造成影响，并没有带来更多的信息。方法：内插值。插值方法有很多，比如均值，中值，最近邻。通过这种方法，在周围像素色彩的基础上用数学公式计算丢失像素的色彩。反卷积。即通过转置卷积核的方法来实现卷积的逆过程。反池化。在池化过程，比如max-pooling时，要记录下每个元素对应kernel中的

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

本文转自。

首先复习下神经网络的概念。神经网络由一些相互链接的“神经元”组成。每个“神经元”有相应的权重。神经网络的神奇之处就在于权重是通过训练自动得出的。所谓训练，就是让神经网络在训练数据集上跑一遍，看看损失函数的值怎么样。如果损失函数的值足够小，小到符合我们的需求，那就说明神经网络拟合得很好了，训练大功告成了（实际上并非如此，因为仅仅知道拟合得很好并不够，我们还要知道神经网络是不是拟合得太好了，也就是过拟

这里一直隐含了一个东西，梯度也是向量（由z函数在某具体点对各个变量求偏导组成）它也是有方向的，当L射线与此时梯度方向一致时，方向导数达到最大值，也就是梯度的模。换句话说，在某个具体点上，梯度方向永远是函数上升最陡峭的方向，但是梯度的方向该如何计算呢？当单位向量的方向与梯度向量方向一致时（也就是单位向量与梯度向量的夹角θ为0°角时），z函数在某点L方向的方向导数达到最大值，最大值就是梯度的值（模）。