SSD是单阶段的目标检测算法，通过卷积神经网络进行特征提取，取不同的特征层进行检测输出。SSD采用了多尺度检测方法，浅层用于检测小目标，深层用于检测大目标。SSD目标检测主流算法分成可以两个类型：1.two-stage方法：RCNN系列2.one-stage方法：YOLO和SSD。

使用迁移学习的方法对ImageNet数据集中的狼和狗图像进行分类。做法：在一个非常大的基础数据集上训练得到一个预训练模型，再使用该模型来初始化网络的权重参数或作为固定特征提取器应用于特定的任务中。

量子化学的核心任务之一是求解薛定谔方程，以获取分子体系的能量和波函数。然而，直接求解含时薛定谔方程往往非常复杂，因此通常采用玻恩-奥本海默近似（BO近似），将原子核与电子的运动分离，从而简化为求解电子的定态薛定谔方程。：量子变分求解器是一种结合了量子计算和经典计算的混合算法，旨在通过变分原理来逼近分子体系的基态能量。算法的核心在于利用量子计算机来高效计算不同参数下的能量期望值，并通过经典计算机上的

如果A不是Hermitian矩阵，则考虑A+AT的对称部分或构造A⊗A∗等方式构造一个等效的Hermitian矩阵A~。HHL算法是一种量子算法，旨在解决线性方程组 Ax=b，其中 A 是一个 Hermitian 矩阵（或可放宽至更一般的条件），b 是一个单位向量。利用 U 和量子相位估计（QPE）技术，对 A 的特征值和对应的特征向量进行编码。通过测量和经典后处理，从经过条件旋转的量子态中提取出

day7学习了如何调整超参数，并进行网络模型训练。day8需要学习如何保存与加载模型，以用于微调和后续的模型推理与部署。

课程学习目标：构建一个用于Mnist数据集分类的神经网络模型。

ShuffleNetV1和MobileNet类似，都是通过设计更高效的网络结构来实现模型的压缩和加速。每一组的卷积核大小为in_channels/g*k*k，总参数量为(in_channels/g*k*k)*out_channels，是正常卷积参数的1/g。引入Channel Shuffle机制（通道重排），将不同分组通道均匀分散重组，使网络在下一层能处理不同组别通道的信息。2.堆叠多个 Shuf

不同的是在解码时同时需要将第𝑖𝑖个Token对应的score取值最大的标签保存，供后续使用Viterbi算法求解最优预测序列使用。根据CRF模型，计算给定输入序列和标签序列的得分。：指的是给定输入序列，给序列中每个Token进行标注标签的过程。对序列进行标注，实际上是对序列中每个Token进行标签预测，可以直接视作简单的多分类问题。而CRF是一种用于序列标注的判别式概率模型，它能够考虑整个序列

使用经典的全连接层或其他类型的神经网络层来构建CBOW模型的嵌入层。同时为了评估量子嵌入层的性能，需要将其与经典嵌入层进行比较。根据指定的嵌入维度（如5维），我们需要设计对应的测量策略。例如，通过测量特定量子比特的组合（如Z0Z1Z0Z1）来估计哈密顿量的期望值，从而得到嵌入向量的各个维度。还需要在量子线路的最开始加上了Hadamard门，将初态制备为均匀叠加态，用以提高量子神经网络的表达能力。量

量子相位估计算法(简称QPE)，是很多量子算法的关键。