1.冗余码计算###1.循环冗余检验的原理例题：解：根据多项式的最高次幂得出冗余码的长度n=6。然后对生成多项式G(x)=x6+x5+x+1G(x)=x^6+x^5+x+1G(x)=x6+x5+x+1补全得到除数G(x)=1∗x6+1∗x5+0∗x4+0∗x3+0∗x2+1∗x1+x0G(x)=1*x^6+1*x^5+0*x^4+0*x^3+0*x^2+1*x^1+x^0G(x)=1∗x6+1∗x

文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利

1.NMS(非极大值抑制)介绍在目标检测算法中，对于一个真实物体的往往会有多个候选框输出，而我们只需一个最好的检测框，多余的候选框会影响检测的精度，因此需要利用NMS(非极大值抑制)来过滤掉重叠的候选框，得到最佳的候选框。所谓非极大值抑制就是说，对于多个重叠的检测框，它不是最好的框，那么就将抑制（删除），只保留一个最好的。2.算法所需的指标检测框的得分：NMS假设一个边框的预测得分越高，这个框就要

1.函数封装'''函数描述：对给定的图片和坐标信息在图片上标框，并在框的上方标注出该框的名称函数参数：img_file_path=图片的绝对路径，new_img_file_path=保存后的绝对路径，points=[(str,[b0,b1,b2,b3])]返回值：无返回值注意事项：坐标[b0,b1,b2,b3]依次为左上角和右下角的坐标'''def draw_rectangle_by_point(

1.NMS(非极大值抑制)介绍在目标检测算法中，对于一个真实物体的往往会有多个候选框输出，而我们只需一个最好的检测框，多余的候选框会影响检测的精度，因此需要利用NMS(非极大值抑制)来过滤掉重叠的候选框，得到最佳的候选框。所谓非极大值抑制就是说，对于多个重叠的检测框，它不是最好的框，那么就将抑制（删除），只保留一个最好的。2.算法所需的指标检测框的得分：NMS假设一个边框的预测得分越高，这个框就要

1.冗余码计算###1.循环冗余检验的原理例题：解：根据多项式的最高次幂得出冗余码的长度n=6。然后对生成多项式G(x)=x6+x5+x+1G(x)=x^6+x^5+x+1G(x)=x6+x5+x+1补全得到除数G(x)=1∗x6+1∗x5+0∗x4+0∗x3+0∗x2+1∗x1+x0G(x)=1*x^6+1*x^5+0*x^4+0*x^3+0*x^2+1*x^1+x^0G(x)=1∗x6+1∗x

在卷积神经网络中，有使用设置padding的参数，配合卷积步长，可以使得卷积后的特征图尺寸大小不发生改变，那么在手动实现图片或特征图的边界零填充时，常用的函数是nn.ZeroPad2d(),可以指定tensor的四个方向上的填充，比如左边添加1dim、右边添加2dim、上边添加3dim、下边添加4dim，即指定paddin参数为（1，2，3，4），本文中代码设置的是（3，4，5，6）如下：impo

1.图像边缘产生的常见因素两个面的交界处因为图像的深度信息产生不同的颜色之间边界因为影子的产生2.边缘2.1边缘的定义边缘是图像像素值快速变化的地方那么可以用1阶导数的大小表示变化快慢，对于二维函数f(x,y),偏导数为对于离散的数据（比如说图像），那么近似的对x的偏导就可以写成如下：2.2如何用卷积实现对图像求导对图像按x轴方法求导，其实就是用[-1，1]卷积核在图像上进行卷积操作，对图像按y轴

文章目录1.nn.Unfold()函数2.nn.Fold(）函数1.nn.Unfold()函数描述：pytorch中的nn.Unfold()函数，在图像处理领域，经常需要用到卷积操作，但是有时我们只需要在图片上进行滑动的窗口操作，将图片切割成patch，而不需要进行卷积核和图片值的卷积乘法操作。这是就需要用到nn.Unfold()函数，该函数是从一个batch图片中，提取出滑动的局部区域块，也就是