定义：深度学习是机器学习（Machine Learning）中的一个分支，它利用**多层的人工神经网络（Neural Networks）**来模拟人脑的处理方式，自动地从大量数据中提取特征。“深度”含义：指的是网络中的隐藏层（hidden layers）数量多，比如 5 层、10 层甚至上百层，能够从数据中提取越来越抽象的表示（representation）。完整训练流程是：数据加载（图像/标签）

全模型端到端训练（backprop 到最前面）精度高，速度比前两者快成为基准检测器（benchmark）就是要让模型对图像中的“每一个像素”做出分类。换句话说，它不再是识别整张图里有没有狗，而是要把“狗的每个像素”标出来。语义分割：你知道哪些像素是“人”，但不知道有几个“人”实例分割：你不仅知道哪些像素是“人”，还知道是第1个人、第2个人…比如：语义分割 → 把 3 个苹果都标为 class=ap

通过以上内容，可系统掌握图像处理的基础操作，并为后续高级技术（如滤波、分割）奠定基础。

全模型端到端训练（backprop 到最前面）精度高，速度比前两者快成为基准检测器（benchmark）就是要让模型对图像中的“每一个像素”做出分类。换句话说，它不再是识别整张图里有没有狗，而是要把“狗的每个像素”标出来。语义分割：你知道哪些像素是“人”，但不知道有几个“人”实例分割：你不仅知道哪些像素是“人”，还知道是第1个人、第2个人…比如：语义分割 → 把 3 个苹果都标为 class=ap

仅基于单个像素的灰度值进行变换，不依赖邻域信息。

cv图像分割

《编译原理》是同学们在大学期间普遍认为比较晦涩难懂的一门课程，笔者认为其原因主要是其中的逻辑性较强，推理过程较为复杂，导致同学们听的是云里雾里。今天给同学们带来的是编译原理中非常重要的一章——自顶向下语法分析方法，这一章有一个考试必考的知识点，那就是LL(1)文法的判断及证明，通俗的来说就是判断一个文法是否为LL(1)文法，笔者给同学们总结了一下解题过程。（1）求出能推出ε的非终结符这一块书上还是

最全梯度下降与反向传播讲解与例题

这类题型也经常在考试中出现，一般是与判断是否为LL（1）文法放在一起进行考察。这类题目该怎么去做呢？（1）求出每个非终结符的FIRST集和FOLLOW集。（在上一篇文章中已经详细介绍）（2）构造预测分析表：横坐标是所有的非终结符，纵坐标是所有的终结符。（3）使用推导式填表具体规则：以对文法G的每个推导式A->α执行步骤为例（1）对每个α ∈FIRST(α),把A->α加入到M[A,a]

通过以上内容，可系统掌握图像处理的基础操作，并为后续高级技术（如滤波、分割）奠定基础。