| 这个作业属于哪个课程 | https://edu.cnblogs.com/campus/fzzcxy/2023learning/join?id=CfDJ8GXQNXLgcs5PrnWvMs4xAGN4cHWWqRMNY7CzDMC-49n8j6IT5cvnqlNnraGz8DcrOqn-fXMeSpaDh0WIee4yugqdL61BJHDL1Z-a4vWfuJ_CihGI0X8a5N7Rpt4wdFZulRz3TTPpWObxybVRSx_CKj0 |
|---|---|
| 这个作业要求在哪里 | https://edu.cnblogs.com/campus/fzzcxy/2023learning/homework/12899 |
| 这个作业的目标 | 记录下我认为以后可以用的东西，以及此前接触过，但没深入了解过的东西，用自己的语言解释一遍 |
个人GitHub链接：https://github.com/apeiriaDolce
学习心得：
操作系统：手动缩进.jpg
调度:将某一个执行缓慢的程序暂时休眠（如打印机），先执行其他程序，直到程序执行完成被标记为可执行状态，等到某个时刻交给CPU继续处理
TCP如何确保数据不损坏：
有关域名：网址通过DNS来转换成对应的IP地址。
DNS：采用树状结构储存网址：
HTTP：状态码400~499代表客户端出错
HTML示例：
红蓝线为决策边界，
机器学习的目的：最大化正确分类+最小化错误分类。
决策树：
三维决策边界：
之前的学习：
AI通过学习之后，将每一个事物变成点存在于空间中的某处，当一个未知的事物加入模型时，AI会通过判断对方的特征和此前事物的特征进行对比，拉动未知的数据移动。
这种学习方式导致了通过足够的学习，相关事物所形成的点一般都是紧密连在一起的，比如苹果就一定会在苹果树旁边。
比如加入模型的东西是鱼，鱼的特点是生活在海里，在空间中它就会被先拉向海洋的位置，接着AI在判断其他特征，最终点的位置和鱼最接近，AI判断：点是鱼。
前段时间大火的绘图AI也是同理，将图片变成一块块极小的色块，再通过画师的作品进行学习，得出这些点，用户在使用的时候，描述出想要的东西，AI就会通过这些东西的特征筛选出对应的点，得出大色块，在一步步细化色块，最后色块组成图片（原理是这样，但实现的过程还有很多难点，比如人物和环境的边缘色块怎么处理）。
由此延伸的弊端：
1.容易混合：假定AI中已经学习1,2,3,4,5这五个数据，用户想要5的话，AI会判断1和2相比2更接近5,2和3相比3更接近5，最终得出5.但如果用户同时想要1和5，由于最终输出结果只能有一个，AI容易混在一起，得出3.所以当前的绘图AI不会画手和面，会和人体的皮肤混在一起来制作色块，导致手部崩坏。
2.短期：AI绘图的方式是拉动点进行移动，有时候鱼的点并不会跑到鱼旁边，有可能因为缺失了什么特征，跑到了螃蟹旁边，导致出来的色块不一样，所以用户即使用同样的描述去生成图片，也会得出不同的结果，假定用户想要用它制作立绘，那么就会出现几张立绘人物长得不一样的问题，当然，可以再次将图片投入AI，通过降低噪声强度的方式去减少差分，但还面临着一个新问题，如果人物的服装不同，生成出来的立绘也会长得不一样，因为服装也是点，点的位置不同可以会让AI将新的点拉入制作中，他们圈内称这种情况为：隐藏tag。
再简化一点：假如AI中有0~9这10个数字，用户想要1,2,3,4,5这五组连续且顺序固定的数字时，AI很难得出用户想要的结果，不仅是因为1,2,3,4,5这组数字在空间中的位置差不多，会相互影响，而且AI是不知道用户想要的1和2这两个数字只差1的，它要学习后才知道，现在把数字上升到图片思考，用户得出了“1”的立绘，接着用户想为这个立绘换服装或者姿势，也就是2，用户并不希望改变脸部和身材，也就是两张图片的区别应该是服装或者姿势（1和2只差1），但AI并不知道，很可能到最后服装和脸一起变了，假设为3吧，如果只有5张图片，那么或许可以用不断的跑图来解决问题，但如果是一万张呢，比如制作动画，AI就很难实现了。
寒假的学习成果：利用Blender建模，然后制作动画，通过降低噪声强度的方式去生成2d动画，我在寒假实验之后发现确实可行，只要批量处理每一帧的图片，就能生成效果极好的舞蹈动画，可惜环境方面有一点点极小的色块区别（只看图片看不出来，但看动画就看得出来），要处理只能接着降低噪声强度，但治标不治本，目前还在探索方法。
（随便说说，不过是一些小打小闹的东西而已，博君一乐.>_>.）
人工神经网络：
用标记数据来训练测试，逐渐提供准确性。
激活函数：
深度学习：
计算机视觉：
色差很小，不是边缘
卷积神经网络：
