自治系统或自治域（英文：Autonomous system, AS）是指在互联网中，一个或多个实体管辖下的所有IP网络和路由器的组合，它们对互联网执行共同的路由策略。我们熟知的互联网是由一个又一个的自治系统AS组成的。我们已经知道，不同AS之间的规模可能是不同的，那么AS之间的流量流入和流出可能也是不同的。换句话解释，BGP会将AS自身的IP路由信息发送给邻居连接的AS，并接受其他AS传递的BGP

相信很多人都遇见过这种情况：实验室成员使用同一台服务器，每个人拥有自己的独立账号，我们可以使用服务器更好的配置完成实验，毕竟自己哪有money拥有自己的3090呢。

参考博客:解析Variational AutoEncoder（VAE）: https://www.jianshu.com/p/ffd493e10751

在 Python 中用到日志记录，那就不可避免地会用到内置的 logging标准库。虽然logging 库采用的是模块化设计，你可以设置不同的 handler 来进行组合，但是在配置上通常较为繁琐；而且如果不是特别处理，在一些多线程或多进程的场景下使用 logging还会导致日志记录会出现错乱或是丢失的情况。Python 日志记录工具logging标准库logging的替代品是loguru，log

参考博客：https://machinelearningmastery.com/multi-step-time-series-forecasting/

Git简介及安装：https://www.cnblogs.com/xiuxingzhe/p/9300905.htmlGit秘钥生成以及Gitlab配置：https://www.cnblogs.com/xiuxingzhe/p/9303278.htmlTortoiseGit安装、配置：https://www.cnblogs.com/xiuxingzhe/p/9312929.html

文章目录GAT模型的提出，可见ICLR 2018论文 GRAPH ATTENTION NETWORKS

目标的多尺度一直是目标检测算法极为棘手的问题。像Fast R-CNN，YOLO这些只是利用深层网络进行检测的算法，是很难把小目标物体检测好。因为小目标物体本身的像素就比较少，随着降采样的累积，它的特征更容易被丢失。为了解决多尺度检测的问题，传统的方法是使用图像金字塔进行数据扩充。虽然图像金字塔可以一定程度解决小尺度目标检测的问题，但是它最大的问题是带来计算量的极大的增加，而且还有很多冗余的计算。

在使用机器学习算法的过程中，我们需要对建立的模型进行评估来辨别模型的优劣，下文中主要介绍常见的几种评估指标。以下指标都是对分类问题的评估指标。在二分类任务中，假设只有正类（1）和负类（0）两个类别，True（1）和False（0）分别表示预测结果对或错；Positive（1）和Negative（0）表示预测为正类或负类。这里：True/False代表判断结果是否正确，Positive/Negati

我们可以知道，精度(precision)、查全率(recall)、F1的计算，是针对于二分类器来定义的。他们的计算，只与y_true和y_pred有关，要求y_true和y_pred中只含有0和1两个类别。我们在实际计算上述分类指标中，可以直接调用sklearn中的函数库实现。