是从原始图像中裁剪得到的人脸区域（ROI，Region of Interest）。裁剪的目的是降低计算成本或为后续处理提供专注区域。归一化比例因子是为了让坐标值适配不同大小的输入图像。归一化的主要目的是消除因图像尺寸不同带来的影响，使关键点坐标具有通用性。），但 Face Mesh 模块通过深度信息估计输出了三维坐标。虽然图像是二维的（像素坐标系只有。

Flag通道数用途3读取彩色图像（忽略透明通道）。1读取灰度图像。4（可能）读取完整图像，包括透明通道。根据文件读取任意深度像素数据。根据图像自动选择彩色或灰度加载。

也就是说，每个音节通常只包含一个音子。，因为某些音节可能包含。

在某些复杂应用中，例如语音识别，一个隐藏状态可能对应多个不同的音素特征，这时单个高斯分布可能不够用。为了解决这个问题，我们可以使用。（如噪声、测量误差）都服从或近似服从高斯分布。高斯分布的数学性质使其成为建模连续变量的常见选择。，我们无法使用离散的概率分布（如多项分布），而高斯分布是最常见的连续概率分布之一。HMM 的发射概率（Emission Probability）我们可以从以下几个角度来理解

这是一种**自监督学习（Self-Supervised Learning）**方法，它不需要人工标注数据，而是从原始数据中自动学习模式。：静态嵌入（如 Word2Vec）固定，而动态嵌入（如 BERT）能随上下文变化。：现代 NLP 方法（如 BERT）依赖深度学习，而深度学习需要良好的数据表征。传统的 NLP 方法（如基于规则的语言模型）需要人为定义单词的语义规则，而。：学习到的词嵌入可以应用于

马尔可夫链是一个由状态（state）组成的序列，状态之间的转移依赖于当前状态，但不依赖于之前的状态历史。换句话说，当前状态的信息足以决定下一个状态的分布，这就是所谓的马尔可夫性（Markov property）。Pqi∣qi−1qi−2q1Pqi∣qi−1Pqi​∣qi−1​qi−2​q1​Pqi​∣qi−1​这种假设称为一阶马尔可夫假设（First-order Markov assumption

如果只给出一个功率值（如 1000 W），没有对比的参考功率。，用来描述两个功率之间的比值，而不是绝对功率本身。是一个比例单位，用来描述两个功率的对数比值。，无法计算功率变化（比值），因此无法给出 dB 的值。，没有说明参考点，则我们无法知道其绝对功率是多少。是一个绝对单位，相对于固定参考功率。，无法转换为 dBm 或实际瓦特值。需要两个功率值：实际功率和参考功率。它只需要一个功率值即可计算。如果

块码：块长度越长，性能越好，编码增益可以量化为EbN0E_b/N_0Eb​N0​的减少。例如，(31,16) 块码在Pb10−5Pb​10−5下的编码增益为 1.8 dB。卷积码：随着约束长度的增加，性能提升，但复杂性也增加。使用 Viterbi 解码的卷积码在低误码率下比块码更强大。Turbo 码：通过增加迭代次数，可以在较低的EbN0E_b/N_0Eb​N0​下实现接近香农限的性能，但迭代次数

PCA 是一种通用的数学工具，不仅适用于聚类，还广泛应用于分类、特征工程、数据可视化、信号处理等领域。

梯度下降是在线性回归中处理不可逆目标函数时的一种有效的优化方法。它通过迭代的方式更新参数，使得损失函数逐渐最小化，从而得到较为精确的解。