动态规划算法：对每个决策都进行求解，罗列出来，最后选择最优解。

环境：PyCharm + python3.8。

txt内容：每行皆为一个点 xyz，逗号隔开，xy为图像坐标，z为图像序号，所有图的点集皆存入一个txt。

凸集：集合内 任意两点之间连线 的整条线段 皆包含在该集合内。交集保持凸性​​：凸集的交集是凸的并集不保持凸性​​：凸集的并集不一定是凸的凸函数：函数值 ≤ 弦的值（弦在函数上方，即 线段在图像上方）。凸函数的局部极小值也是全局极小值凸函数的下水平集是凸的（碗形山谷的所有海拔低于100米的区域，肯定是一片连起来的、中间没有空洞的洼地）判断函数是否 “凸”：如果凸的话→二阶导≥0 / 半正定一维，一

符号式编程代码通常只在完全定义了过程之后才执行计算。这个策略被多个深度学习框架使用，包括Theano和TensorFlow（后者已经获得了命令式编程的扩展）。一般包括以下步骤：定义计算流程将流程编译成可执行的程序给定输入，调用编译好的程序执行这将允许进行大量的优化。首先，在大多数情况下，我们可以跳过Python解释器。从而消除因为多个更快的GPU与单个CPU上的单个Python线程搭配使用时产生的

环境：PyCharm + python3.8。

这是 CodeGraph 官方 README 给的 Windows 安装命令。官方也说明：这个方式不要求你提前安装 Node.js。它已经装在这里：C:\Users\Administrator\AppData\Local\codegraph\current。这就说明 CodeGraph 已经给你的项目建立索引了。完成后，关闭 Codex，再重新打开 Codex。若能显示一堆命令，则说明 PATH

环境：PyCharm + python3.8。

将输入数据作为其前向传播函数的参数。通过前向传播函数来生成输出。请注意，输出的形状可能与输入的形状不同。例如，我们上面模型中的第一个全连接的层接收一个20维的输入，但是返回一个维度为256的输出。计算其输出关于输入的梯度，可通过其反向传播函数进行访问。通常这是自动发生的。存储和访问前向传播计算所需的参数。根据需要初始化模型参数。在下面的代码片段中，我们从零开始编写一个块。它包含一个多层感知机，其具

环境：OpenCV4.5.1 + VS20191. 准备工作：1.1 “Resources"文件“Resources"文件下载链接：https://pan.baidu.com/s/1uzVDwl8lD2qVTY1bFlhF1A提取码：5n482. 主要代码2.1 图像预处理Mat preProcessing(Mat imgOriginal) {cvtColor(imgOriginal, imgGr