背景                需求                调研                安装                配置                    配置LXD                    配置网桥                    新建容器                    安装驱动    ...

PyTorch中的loss函数源码通常可以在torch.nn.functional模块中找到。这些函数接受模型的输出和真实标签作为输入，并计算出模型预测的误差，从而帮助优化器调整模型参数。二分类任务只有两个类别，如判断一张图片是猫还是狗。常用的损失函数有：（1）BCELoss（Binary Cross Entropy Loss）：二分类交叉熵损失函数，适合输出为概率值的情况。

这三个函数的作用是将梯度归零（optimizer.zero_grad()），然后反向传播计算得到每个参数的梯度值（loss.backward()），最后通过梯度下降执行一步参数更新（optimizer.step()）。简单的说就是进来一个batch的数据，先将梯度归零，计算一次梯度，更新一次网络。另外一种：将**optimizer.zero_grad()放在optimizer.step()**后面

RANSAC（RANdom SAmple Consensus）是一种经典的模型拟合算法，用于从一组杂乱的数据中找出最佳的模型。它的基本思想是随机选取一定数量的数据点，使用这些数据点来拟合模型，然后将所有数据点带入模型中，统计符合模型的数据点数量，如果符合数量超过阈值，则认为这些数据点符合这个模型，即它们是局内点（inlier）。重复以上过程，多次迭代之后，找到的最佳模型是拟合最优的模型，符合该模型

PyTorch中的loss函数源码通常可以在torch.nn.functional模块中找到。这些函数接受模型的输出和真实标签作为输入，并计算出模型预测的误差，从而帮助优化器调整模型参数。二分类任务只有两个类别，如判断一张图片是猫还是狗。常用的损失函数有：（1）BCELoss（Binary Cross Entropy Loss）：二分类交叉熵损失函数，适合输出为概率值的情况。

【代码】OpenCV将两张图片拼接成一张图片。

追求召回率高，则通常会影响精确率。F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。直白的意思就是模型预测为正例的样本中，其中真正的正例占预测为正例样本的比例，用此标准来评估预

命令行修改apt源如果想用清华源同理改为@mirrors.tuna.tsinghua.edu.cn即可。

在类的初始化函数中，我们需要设置注意力头数num_heads，以及每个注意力头的k维度k_dim和v维度v_dim。在前向传播函数中，我们使用全连接层将x1投影到k_dim * num_heads维度，x2投影到k_dim * num_heads和v_dim * num_heads的空间，再将结果按注意力头和k_dim/v_dim维度进行调整。注意力计算完成后，将得分与v相乘，再将结果按注意力头和