检查语言中否有英语（美国），如果没有，请单击“添加语言”查看任务栏右方，会多出一个“拼”按钮，单击即可切换键盘。单击英语（美国）右方的更多选项按钮，选择“语言选项”找到下方“键盘”项，单击“添加键盘”选择“美式键盘（QWERTY）”打开设置，选择“时间和语言”

torch.nn.Linear(in_features, # 输入的神经元个数out_features, # 输出神经元个数bias=True # 是否包含偏置Linear其实就是对输入Xn×iXn×i​执行了一个线性变换Yn×oXn×iWi×obYn×o​Xn×i​Wi×o​b其中WWW是模型想要学习的参数，WWW的维度为Wi×oWi×o​。

word调整表格到适应页面的宽度

首先选中要操作的部分。

安装好Homebrew。

CNN首先通过选择性搜索算法Selective Search从一组对象候选框中选择可能出现的对象框，然后将这些选择出来的对象框中的图像resize到某一固定尺寸的图像，并喂入到CNN模型(经过在ImageNet数据集上训练过的CNN模型，如AlexNet)提取特征，最后将提取出的特征送入到分类器来预测该对象框中的图像是否存在待检测目标，并进一步预测该检测目标具体属于哪一类。这样做对小物体的检测不利

纳入内核管理的内存不见得都在使用中，还包括过去使用过的现在可以被重复利用的内存，内核并不把这些可被重新使用的内存交还到free中去，因此在linux上free内存会越来越少，但不用为此担心。对于内存监控，在top里我们要时刻监控第五行swap交换分区的used，如果这个数值在不断的变化，说明内核在不断进行内存和swap的数据交换，这是真正的内存不够用了。，显卡是由GPU和显存等组成的，显存和GPU

在 R-CNN 模型之后，出现了 Fast R-CNN、Faster R-CNN、Mask R-CNN 等一系列的目标检测模型，这些模型都采用了 backbone、neck 和 head 这种模型架构，并取得了不错的性能。通过添加或修改 neck 和 head 的结构，可以轻松地将模型应用于不同的任务和数据集，从而提高模型的泛化能力和性能。采用 backbone、neck 和 head 这种形式可

纳入内核管理的内存不见得都在使用中，还包括过去使用过的现在可以被重复利用的内存，内核并不把这些可被重新使用的内存交还到free中去，因此在linux上free内存会越来越少，但不用为此担心。对于内存监控，在top里我们要时刻监控第五行swap交换分区的used，如果这个数值在不断的变化，说明内核在不断进行内存和swap的数据交换，这是真正的内存不够用了。，显卡是由GPU和显存等组成的，显存和GPU

在 R-CNN 模型之后，出现了 Fast R-CNN、Faster R-CNN、Mask R-CNN 等一系列的目标检测模型，这些模型都采用了 backbone、neck 和 head 这种模型架构，并取得了不错的性能。通过添加或修改 neck 和 head 的结构，可以轻松地将模型应用于不同的任务和数据集，从而提高模型的泛化能力和性能。采用 backbone、neck 和 head 这种形式可