深度学习所属领域是人工智能下的机器学习。深度神经网络可以理解为一种特征提取工程，而不是单单理解为是一种算法，因为相对于算法，提取的特征作为输入更为重要。深度学习可以理解为能够真正学习到数据中最适宜的特征。机器学习过程是数据获取→特征工程→建立模型→评估与应用，其中最重要的是特征工程，它大部分操作都是人工的，需要人工的去进行特征选取和提取，深度学习就对此做出来改进，它自我的进行学习，并且不断的迭代优

吴恩达老师的这门课一共有五个课程，第一门课程是神经网络和深度学习（大概分四周进行学习），学完之后的目标是能够建立和运用深度神经网络模型。第一周是进行了深度学习的入门介绍。第二周是神经网络的编程基础，这里介绍神经网络的正向传播、反向传播、算法的过程，以及如何高效实现神经网络，这一周将会有一些编程练习，需要自己去调试。第三周会学习构建一个单隐藏层的神经网络。第四周会学习构建一个多隐藏层的神经网络。深度

DINO（）是一种自监督的视觉Transformer（ViT）模型，由 Facebook AI 提出。它的特点是无需任何人工标签，就能从图像中学习有语义的特征表示。学到的特征可以很好地区分物体类别、边界、形状等，和人标注的语义结果类似。光流是一种计算图像中像素随时间移动方向和速度的方法。它表示：图像中某一点在两个连续帧之间的“位移矢量”。3D 场景建模：就是用计算机把一个真实场景还原成一个静止的三

我找的都是提升NeRF新视角渲染能力，然后应用于自动驾驶领域的文章，上述标黄的文章是属于这个领域的。①Crowd-Sourced NeRF：2024年，符合要求，但是代码未开源，且数据集好像是自采集的（老师提供连接里的文章）。×②City-NeRF：符合要求，但是代码未开源，且文章太久远了，2021年的。×③SRNeRF：非常符合要求，但是由于是2025年最新的文章，代码还未开源。×④PC-NeR

这周已经正式结束了深度学习的第一门课程（深度学习与神经网络），开启了深度学习第二门课程（改善深层次的神经网络——超参数（α学习率、隐藏层单元数、隐藏层层数、激活函数的选择、梯度下降迭代的次数）的调整、正则化以及优化）。

在了解得分函数之后，我们知道在深度学习过程中每经历一次训练就会得出每个类别的得分，有时候结果一点都不好，那么这个结果有多不好我们需要一个量的定义，这时候就引入了损失函数。有时候我们要完成不同的分类任务，在这个过程中，整个神经网络的框架是没有变化的，只是损失函数不同。

刚进入Blender会跳出一个新界面，可以通过常规新建一个文件也可以打开上一次离开的界面，还可以打开最近打开的文件（由于才开始还没有创建任何文件，因此没有最近打开文件的提示语）。也可以点击任何空白处，这个界面就消失了。操作界面上方是菜单栏，上图是菜单栏里面的部分内容，代表着不同的使用场景。操作界面中心是工作区，也就是搭建场景的地方。操作界面左边是操作工作区和空间的工具。操作界面的右上角有场景集合，

刚进入Blender会跳出一个新界面，可以通过常规新建一个文件也可以打开上一次离开的界面，还可以打开最近打开的文件（由于才开始还没有创建任何文件，因此没有最近打开文件的提示语）。也可以点击任何空白处，这个界面就消失了。操作界面上方是菜单栏，上图是菜单栏里面的部分内容，代表着不同的使用场景。操作界面中心是工作区，也就是搭建场景的地方。操作界面左边是操作工作区和空间的工具。操作界面的右上角有场景集合，

-exp_id用于指定实验的名称，如color_Neus_dtu_83。然后由于修改了配置文件Color_NeuS_zhiwu.yml中的INCLUDE_MASK为False，那么就应该进行无掩码计算，需要修改训练代码autodl-tmp/Color-NeuS/lib/models/NeuS_Trainer.py中的。又由于配置文件Color_NeuS_zhiwu.yml中指定的数据集类型zhiw