忘记门(遗忘门)：将朝着0减少输入门：决定是不是要忽略输入数据输出门：决定是不是要使用隐状态👀提示：一下数学公式组合成一块，我感觉就不是那么容易理解了，但是能大概理解即可，后面在案例中实践学习。LSTM原理具体细节确实复杂，但是我感觉可以结合实践慢慢理解，毕竟小编还是本科生🤠🤠.

📚 一句话，找出图像中感兴趣的物体，确定其位置和类别。由于物体类别不同，其形状、外观、姿态都不同，而且还受环境的影响，故在cv领域，目标检测一直都是一个很热门的话题。🐶 目标检测任务：找出每个物体，类别标注出来，还需要找出具体的位置，位置通常用边缘框表示。边缘框概念用一个边框框主一个物体，如图：这个图要注意一下：坐标系和普通不太一样，主要是坐标。所以，如果物体很多，那需要的成本也是需要很高的。

Network-in-Network（NiN）是一种深度学习架构，它在2013年由Lin等人提出，旨在提高传统卷积神经网络（CNNs）的性能。卷积核来降维，这样虽然加大了网络深度，但是也减少了参数量和计算量，网络结构如上图b所示。去掉两个辅助分支，只复现主要分支(详细请看网络结构)，并进行实验，对猴痘病图片进行分类。黄色是头部，主要用于数据处理的，绿色是上面介绍的Inception Module结

表示连接池事先会和 MySQL Serve r创建最小个数的连接，当应用发起 MySQL 访问时，不用再创建和 MySQL Server 新的连接，直接从连接池中获取一个可用的连接即可，使用完成后并不去释放连接，而是把连接再归还到连接池当中。

函数原型：输入通道数：输出通道数：卷积层大小stride：卷积步伐大小padding：添加到输入的所有四个边的填充。默认值：0dilation：扩张操作，控制kernel点（卷积核点）的间距，默认值:1。groups：将输入通道分组成多个子组，每个子组使用一组卷积核来处理。默认值为 1，表示不进行分组卷积。：‘zeros’, ‘reflect’, ‘replicate’或’circular’. 默

RAII （Resource Acquisition Is Initialization）,也称为**“资源获取就是初始化”，是C++语言的一种管理资源、避免泄漏的惯用法**。C++标准保证任何情况下，已构造的对象最终会销毁，即它的析构函数最终会被调用。🛰换句话说RAII就是在创建出一个对象后，保证这个对象在他的有效生命周期中一直存在，一旦离开了他的生命周期，就会释放掉，结合类的构造和析构函数，

本文介绍了常见的目标检测算法，主要分为两阶段（Two-Stage）和单阶段（One-Stage）两大类。两阶段算法包括R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN，其核心思想是通过区域建议网络（RPN）生成候选区域，再进行分类和边界框回归。R-CNN是最早的模型，但计算量大；Fast R-CNN通过共享卷积特征提高了效率；Faster R-CNN引入RPN进一步

前言常见的一些模型融合方法有：本文采用的是第三种，参考论文：论文Resnet模型和DenseNet模型特点：在《论文》中，作者发现：ResNet更侧重于特征的复用，而DenseNet则更侧重于特征的生成。故作者提出了DPN网络，如图所示：这个图比较难看懂，换个更清晰的图看：这个图就容易看懂多了，DPN网络核心的就是上图中，蓝框和红框的东西，在DPN中，训练模块Block中，将输出的信息进行分拆，然

c = a + bd = a + 5结果：广播允许在不同大小的数组上执行这些类型的二进制操作——例如，我们可以很容易地向数组中添加标量.MM + a虽然这些示例相对容易理解，但更复杂的情况可能涉及两个数组的广播。print(a)print(b)结果：[0 1 2][[0][1][2]]a + b[1, 2, 3],

make_regression() 作用：用来随机生成回归数据n_samples：数据集中样本的数量。n_features：每个样本的特征数量。n_informative：在生成的特征中，有多少个是真正影响目标变量的。n_targets：目标变量的数量，可以用于多元回归。bias：在目标变量中添加的常数偏置。effective_rank：如果指定，创建低秩矩阵来模拟相关性。tail_strengt