今天我们学习了嵌入和向量数据库的基本原理，并且对嵌入(Embeddings)和开源数据库Chroma进行了实际的操作，并观察了它们的返回结果，同时我们还发现了两种Chroma数据库相似搜索失效的场景。关于如何避免产生失效的结果我们将在下一篇博客中进行讨论。

在本节中，我们将使用YOLO算法执行目标检测。目标检测是计算机视觉中的一项常见任务，借助深度学习技术，我们可以实现高准确度的检测。YOLO在COCO数据集(数据集中包含80个类别和超过300000张图像)中可以达到60.6mAP20 fps) 或33mAP220 fpsYOLO是深度学习网络目标检测的一类重要分枝，其将输入图像划分为SxS网格。对于每个网格，YOLO检查B个边界框，然后深度学习模型

12345注意：自动增长从1开始，每次添加一条数据，自动增长的列会+1，但是如果把某条数据删除，自动增长的数据也不会重复生产(自动增长的数据不会保证连续);1234567注意:在实际企业项目的数据库设计中，联合主键使用频率不高，当一个数据表中没有明确的字段可以作为主键时，我们可以额外添加一个ID字段作为主键。

项目打包是项目进行服务器部署的最后一关，对于一个springboot项目来说，功能开发完成后，需要将代码编译、打包、并部署到服务器上进行验证和测试，以maven为例，使用大家熟悉的mvn命令即可完成本地的打包构建，但事实上真的这么简单吗？以Java项目的工程模块为例进行说明，从早期的前后端一个工程搞定，到今天普遍使用的前后端分离的模式，从早期流行的承载式tomcat容器部署到如今更简洁的jar包部

深度学习在图像分类、目标检测、语音识别等领域取得了重大突破，但是随着网络层数的增加，梯度消失和梯度爆炸问题逐渐凸显。随着层数的增加，梯度信息在反向传播过程中逐渐变小，导致网络难以收敛。同时，梯度爆炸问题也会导致网络的参数更新过大，无法正常收敛。为了解决这些问题，ResNet提出了一个创新的思路：引入残差块（Residual Block）。残差块的设计允许网络学习残差映射，从而减轻了梯度消失问题，使

stable diffusion本质是一种，隐向量扩散模型。diffusion models (DMs)将图像的形成过程分解为去噪自动编码器(denoising autoencoders)的一系列操作，但这些都是直接在像素空间上进行的操作，因此对于昂贵的计算资源，特别是高像素的图像。而LDMs则是引入隐向量空间，能够生成超高像素的图像。这里，我们先整体地来了解下stable diffusion的结