介绍了深度学习的主要模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、自动编码器（AE）、生成对抗网络（GAN）、图神经网络（GNN）和扩散模型。笔记对比了各模型的原理、应用场景、优缺点，阐明其在图像、文本、图结构等任务中的适用性。

介绍了深度学习的主要模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、自动编码器（AE）、生成对抗网络（GAN）、图神经网络（GNN）和扩散模型。笔记对比了各模型的原理、应用场景、优缺点，阐明其在图像、文本、图结构等任务中的适用性。

深度学习框架是构建、训练和部署模型的工具库，提供神经网络层、优化器和跨平台支持。主流框架包括： TensorFlow（Google）：生态完善，适合工业部署，但学习曲线陡。 PyTorch（Meta）：灵活易调试，适合研究，但部署较弱。 Keras：简化API，适合初学者快速开发。 Hugging Face：专注Transformer模型，NLP任务友好。 PaddlePaddle（百度）：中文支

arecord、aplay 实现录音和播放（linux）​1.查看录音设备$ arecord -l2.录音$ arecord -D hw:2,0 -d 10 -r 48000 -f S16_LEtest.wav参数解析-D 指定了录音设备，2,0 是card 2 device 0的意思-d 指定录音的时长，单位时秒(如果不加,可以使用Ctrl + C结束录音)-f 指定录音格式，通过上面的信息知道

如果在运行容器时指定了其他命令（例如 docker run + /bin/bash），这些命令会覆盖Dockerfile中的CMD设置。脚本执行完毕后，容器会立即退出。如果希望容器保持运行状态，可以在脚本的最后添加。执行脚本，以实现容器启动时执行特定脚本的目的。使用Dockerfile构建自定义镜像。在容器启动后，会自动执行指定的脚本。在Dockerfile中使用。在Dockerfile中，

介绍了深度学习的主要模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、Transformer、自动编码器（AE）、生成对抗网络（GAN）、图神经网络（GNN）和扩散模型。笔记对比了各模型的原理、应用场景、优缺点，阐明其在图像、文本、图结构等任务中的适用性。

深度学习框架是构建、训练和部署模型的工具库，提供神经网络层、优化器和跨平台支持。主流框架包括： TensorFlow（Google）：生态完善，适合工业部署，但学习曲线陡。 PyTorch（Meta）：灵活易调试，适合研究，但部署较弱。 Keras：简化API，适合初学者快速开发。 Hugging Face：专注Transformer模型，NLP任务友好。 PaddlePaddle（百度）：中文支

准确率并非评估AI模型的唯一标准。文章通过医疗诊断案例说明，单纯追求高准确率可能导致关键样本遗漏，因此引入查准率(Precision)和查全率(Recall)两个指标。通过混淆矩阵解释TP、FP、FN、TN四种情况，并给出计算公式：Precision衡量预测正例的准确度，Recall反映真实正例的覆盖率。二者通常存在矛盾关系，F1分数用于平衡评估。不同场景需侧重不同指标：垃圾过滤等需高Precis

深度学习框架是构建、训练和部署模型的工具库，提供神经网络层、优化器和跨平台支持。主流框架包括： TensorFlow（Google）：生态完善，适合工业部署，但学习曲线陡。 PyTorch（Meta）：灵活易调试，适合研究，但部署较弱。 Keras：简化API，适合初学者快速开发。 Hugging Face：专注Transformer模型，NLP任务友好。 PaddlePaddle（百度）：中文支

1. 地图坐标转换在线工具：https://tool.lu/coordinate/可以直接在地图上拾取点位，转换成WGS84，GCJ02或者BD09坐标。2. 手机app地图测量专家 + 地学大数据在线版：http://www.giscalculator.com/enter_geocode_input/地图测量专家拾取02坐标点位，再使用地学大数据在线版进行转换成wgs84坐标。实测比较准。注意：