可以用来存储和处理大型矩阵，比python自身的嵌套列表结构要高效，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库，包括数学、逻辑、形状操作、排序、选择、输入输出、离散傅里叶变换、基本线性函数，基本统计运算和随机模拟等。scale:标准差，对应分布的宽度，scale越大，正态分布的曲线越矮胖，scale越小，曲线越高瘦。order：{'C','F'}，默认值为C，C（行主序）

LangChain 代码适合学习 RAG 的底层流程，能清楚看到读取、切分、向量化、检索、拼接 context 和调用大模型的每一步。LlamaIndex 代码更适合快速搭建文档问答系统，尤其在复杂 PDF 解析、索引构建、查询引擎、总结工具和 Agent 调用方面更方便。两者的核心思想完全一致：先检索，再生成。真正决定 RAG 效果的关键不是单一大模型，而是文档切分质量、Embedding 检索

通过实现一个基于LSTM（长短期记忆网络）的深度学习模型，对时间序列数据进行预测。具体任务是从给定的数据集中提取特征（, , ），并利用前8个时间段的数据预测第9个时间段的目标变量

本次任务通过实现ResNetV2模型，完成了鸟类图片分类任务。从数据加载、模型构建、训练到结果可视化，完整地走了一遍深度学习项目的流程。通过调整模型结构和训练策略，进一步加深了对ResNet及其变种的理解。未来可以在此基础上探索更多的优化方法和应用场景。

本文总结了OpenCV图像处理的基本操作，包括：1）图像读取（BGR格式）与显示；2）视频帧读取；3）图像裁剪、通道分离与合并；4）边界填充与数值计算；5）图像融合与阈值处理；6）四种平滑滤波方法（均值/方框/高斯/中值）；7）形态学操作（腐蚀/膨胀/开闭运算）；8）梯度运算及礼帽/黑帽变换。这些操作涵盖了图像预处理、特征提取和噪声处理等常见需求。

本文介绍了图像处理中的边缘检测、金字塔变换、轮廓分析、模板匹配、直方图均衡化和傅里叶变换等核心算法。详细讲解了Canny边缘检测的5个步骤、Sobel/Scharr/Laplacian算子的应用，以及图像金字塔的构建方法。在轮廓处理方面，阐述了findContours函数的使用和轮廓特征计算方法。此外，还涵盖了模板匹配的6种模式、直方图均衡化技术，以及傅里叶变换在高低频滤波中的应用。这些方法为图像

本文介绍了一个基于OpenCV的答题卡自动评分系统。系统通过图像处理技术实现以下功能：1) 读取答题卡图像并进行灰度化、模糊处理和边缘检测；2) 定位答题卡区域并进行透视变换；3) 通过阈值处理和轮廓分析检测填涂的选项泡泡；4) 将检测结果与标准答案对比计算得分。系统支持自定义参数调整，包括泡泡最小尺寸、宽高比范围等，能够处理不同形态的答题卡。最终输出评分结果并在图像上标记正确/错误选项。实验表明

监督学习就是最常见的分类（注意和聚类区分）问题，通过已有的训练样本（即已知数据及其对应的输出）去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的。也就是说，在监督学习中训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。它通过变换现有数据集

代码结构检查 GPU：检查是否有可用的 GPU，并将模型和数据加载到 GPU 上。查看数据：加载数据集并统计图片数量。划分数据集：将数据集划分为训练集和测试集，并创建数据加载器。创建模型：定义了一个结合ResNet和DenseNet的混合模型。编译及训练模型：定义了训练和测试函数，并进行了模型训练。结果可视化：绘制训练和测试的准确率和损失曲线。预测图片：对测试集中的图片进行预测，并可视化预测结果。

不报错的核心原因：1. 首个块显式对齐通道数：通过`conv_shortcut=True`的1x1卷积，确保输入输出通道数一致。2. 后续块复用对齐后的通道数：输入和主路径输出均为`filters * 2`，无需额外调整。3. 参数传递一致性：同一`stack`中所有块的`filters`参数相同，保证通道数统一。这种设计既符合残差网络的基本思想（恒等映射），又通过首个块的显式调整避免了维度不匹配