在介绍神经网络之前，我们先看下面这幅图：人工智能>机器学习>深度学习深度学习是机器学习的⼀个⼦集，也就是说深度学习是实现机器学习的⼀种⽅法。与机器学习算法的主要区别如下图所示：传统机器学习依赖于人工设计特征，并进行特征提取，而深度学习算法不需要人工，而是依赖算法自动提取特征，这也是深度学习被看做黑盒子、可解释性差的原因。卷积神经网络（CNN）循环神经网络（RNN）生成对抗网络（GAN）深度强化网络

我们之前学习了全连接的神经网络，如下图：利用全连接神经网络对图像进行处理存在以下两个问题：CNN⽹络受⼈类视觉神经系统的启发，⼈类的视觉原理：从原始信号摄⼊开始（瞳孔摄⼊像素 Pixels），接着做初步处理（⼤脑⽪层某些细胞发现边缘和⽅向），然后抽象（⼤脑判定，眼前的物体的形状，是圆形的），然后进⼀步抽象（⼤脑进⼀步判定该物体是只⼈脸）。下⾯是⼈脑进⾏⼈脸识别的⼀个示例：CNN网络主要有三部分构成

摘要：本文介绍了进程等待的必要性和方法，以及进程程序替换的原理和实现。进程等待是父进程回收子进程资源并获取退出信息的关键机制，避免僵尸进程导致内存泄漏。详细讲解了wait和waitpid两种方法，包括阻塞与非阻塞等待模式。此外，阐述了进程程序替换原理，通过exec系列函数实现子进程执行全新程序，确保进程独立性。文章通过代码示例展示了execl等接口的使用方式，并分析了不同替换函数的参数特点，为进程

本文介绍了命令行参数和环境变量的相关知识。main函数可以接收命令行参数argc和argv，其中argv[0]是程序名，argc表示参数个数。环境变量是系统级别的全局变量，通过PATH等变量影响程序执行路径。文章讲解了三种获取环境变量的方法：通过main函数参数、getenv函数和C语言的全局指针environ。环境变量具有全局属性，可以被继承到子进程。最后解释了环境变量的作用，如实现用户专属程序

STL常用算法主要是由头文件《algorithm》、《functional》、《numeric》组成《algorithm》是所有STL头文件中最大的一个，范围涉及到比较、交换、查找、遍历、赋值、修改等等《numeric》体积较小，只包括几个在序列上面进行简单数学运算的模板函数《functional》定义了一些模板类，用来声明函数对象（仿函数）

传值只是创建一个临时变量phead，只会改变phead的值，并不会改变我们想要的plist的值。当我们传plist的值时，因为当链表为空时，我们要创建第一个节点，我们要改变plist的指向，让他指向第一个节点。当链表不为空时，先要找到链表的最后一个节点，然后将尾结点的next指向新节点。思路一：找到单链表尾结点的上一个节点，通过上一个节点的next指针，找到最后一个节点。所有节点的地址不是连续的，

处理负权边我们是采取Bellman-Ford算法或者是SPFA，SPFA算法的适用处更广，但是当有边数权限（在多少步下完成）的时候，我们只能适用Bellman-Ford算法，但在其他情况下我们都可以使用SPFA算法；我们上面知道Bellman_Ford算法会遍历每条边，但是有些边遍历是没有意义的，我们只需要遍历那些到源点距离变小的点才能找到最短路径；SPFA中松弛的概念：一个点到另一个点的路径选择

使⽤⼿写数字的MNIST数据集如上图所示，该数据集包含60,000个⽤于训练的样本和10,000个⽤于测试的样本，图像是固定⼤⼩(28x28像素)，其值为0到255。

我们之前学习了全连接的神经网络，如下图：利用全连接神经网络对图像进行处理存在以下两个问题：CNN⽹络受⼈类视觉神经系统的启发，⼈类的视觉原理：从原始信号摄⼊开始（瞳孔摄⼊像素 Pixels），接着做初步处理（⼤脑⽪层某些细胞发现边缘和⽅向），然后抽象（⼤脑判定，眼前的物体的形状，是圆形的），然后进⼀步抽象（⼤脑进⼀步判定该物体是只⼈脸）。下⾯是⼈脑进⾏⼈脸识别的⼀个示例：CNN网络主要有三部分构成

设二叉树的根节点所在的层数为1，层序遍历就是从所在二叉树的根节点出发，首先访问第一层的根节点，然后从左到右访问第二层上的节点，以此类推，自上而下，自左至右逐层访问树的节点的过程就是层序遍历，也称为广度优先遍历。因为我们定义了一个全局的size，在我们计算了节点为A的节点个数时，得到的大小是5，但是在计算节点为B的节点个数为8,。但是，如果我们知道多线程的时候，程序在运行时，可能有多个进程在同时进行