【导读】尽管大模型能力非凡，但干细活的时候还是比不上人类。为了提高LLM的理解和推理能力，Prompt「复读机」诞生了。众所周知，人类的本质是复读机。我们遵循复读机的自我修养：敲黑板，划重点，重要的事情说三遍。but，事实上同样的方法对付AI也有奇效！有研究证明，在提问的时候故意

对已经习惯了一个字一个字掷地有声的中国人来说，好多人就会觉得英语“太含含糊糊”了，这也导致好多中国人听力非常的差。相反，如果老外说英语的时候是按照中国人的“一字一字落地有声”来读，那就不存在什么口语表达、听力不好的原因了。所以，作为中国人，在学习英语的过程中，一定要去往

基础风格指南结构风格vue推荐:先声明，后使用<scriptsetup></script><template></template><stylescoped></style>子组件命名<!--在单文件组件中,推荐为子组件使用PascalCase的标签名,以此来和原生的HTML元素作区分--><!--✅:推荐风格:PascalCase,文件名使用keba

LinuxC编程一站式学习(akaedu.github.io)开始复习，上一次是大二下在微信读书，上面统计花了30+hour。实际可能不只，而且似乎上面内容也有所缺失，所以并不算能看完。从前言来看，这书至少需要4个月才能学完，我凭什么一个月每天一小时就能学会呢。不是孤立地讲C语言，而是和编译原理、

1.为什么要写《重读视觉SLAM十四讲》系列博文？首先，是因为自己觉得基础知识还没有掌握牢固，需要进一步巩固。能够对书本内容中的关键内容进行扩充，便于以后查阅。分享知识。希望能用通俗易懂的语言写完整个系列的博文，同时又不缺乏数学上的严谨性。2.什么是SLAM？在这里

参考博客：Swin-Transformer网络结构详解参考视频：12.1Swin-Transformer网络结构详解使用了类似卷积神经网络中的层次化构建方法（Hierarchicalfeaturemaps），比如特征图尺寸中有对图像下采样4倍的，8倍的以及16倍的，这样的backbone有助于在此基础上构建目标检测，实例分割等任务。使用

参考博客：VisionTransformer详解参考视频：11.1VisionTransformer(vit)网络详解基本流程：提取embedding：将原图分为若干patch，使用convnet提取每个patch的特征作为embedding，然后在前面concat一个用来分类的embedding，之后每个patch加上一个位置编码。tranformerencode：将上一步的

参考博客：睿智的目标检测36——Pytorch搭建Efficientdet目标检测平台参考视频：Pytorch搭建自己的Efficientdet目标检测平台EfficientNet+BIFPN+解耦Head（类似RetinaNet），Anchor-Base

1.FPN1.1.FPN简介特征金字塔，全称FeaturePyramidNetworks，由Tsung-YiLin等2017年在论文《FeaturePyramidNetworksforObjectDetection》中提出，它的主要目标是解决在不同尺度上进行目标检测和分割时的信息丢失和分辨率不匹配的问题。FPN的框架可以总结为，为了在多尺度上建

参考视频：YOLOv7论文，网络结构，官方源码，超详细解析参考博客：YOLOV7详细解读（一）网络架构解读总体来说框架也是没有大的变化，但是Block应该是精心设计过的，ELAN有点像Inception模块，加上RepVgg的结构重参数化，还有SPP魔改，总体感觉就是网络过于复杂，而且和v6同期，反而性能低于v6，有点尴尬。

参考博客：YOLOX网络结构详解参考视频：YOLOX网络结构详解亮点：网络检测头部分，改成解耦的结构，将类别分数、边界框回归参数和objectness分别预测，提高网络收敛速度。使用Anchorfree对目标进行预测。正负样本匹配策略SimOTA。（完）

推荐博客：YOLOv4网络详解配套视频：YOLOv4网络详解补充知识：3.1YOLO系列理论合集(YOLOv1~v3) 中的yolov3spp理论讲解(包括CIoU以及FocalLoss)（完）

1.前言YOLOV3是单阶段目标检测算法YOLO系列的第三个版本，由华盛顿大学JosephRedmon发布于2018年4月，广泛用于工业界。改进了正负样本选取、损失函数、Darknet-53骨干网络，并引入了特征金字塔多尺度预测，显著提升了速度和精度。2.网络结构换了骨干网络，把backbone在darknet19的基

1.前言由JosephRedmon等人2016年在论文《YouOnlyLookOnce:Unifified,Real-TimeObjectDetection》中提出的一阶段目标检测算法，核心思想是将物体检测任务视为回归问题。它通过将图像分成S×S个网格，每个网格负责预测该网格中是否存在物体以及物体的类别和位置信息。使用单

partprobe命令用于重读分区表，当出现删除文件后，出现仍然占用空间。可以partprobe在不重启的情况下重读分区。语法partprobe(选项)(参数)选项-d：不更新内核；-s：显示摘要和分区；-h：显示帮助信息；-v：显示版本信息。参数设备：指定需要确认分区表改变的硬盘对应的设备文件。实例使用partprobe

1.前言SENet由Momenta公司，在论文《Squeeze-and-ExcitationNetworks》提出，核心是SEblock，它通过对特征通道间的相关性进行建模，把重要的特征进行强化来提升准确率。作者采用SENetblock和ResNeXt结合在ILSVRC2017（最后一届）的分类项目中拿到第一，在ImageNet数据集上将top-5error

1.前言ResNet由微软亚洲研究院在论文《DeepResidualLearningforImageRecognition》中提出，获得2015年ImageNet图像分类、定位、检测，MSCOCO竞赛检测、分割五条赛道的冠军，通过引入残差连接，有效解决深层网络训练时的退化问题，可以通过加深网络大大提升性能。ResNet在ILSVRC-20

1.前言VGG是由牛津大学视觉组（VisualGeometryGroup，Vgg的名称也是来源于此）在2014年的论文《VeryDeepConvolutionalNetworksforLarge-ScaleVisualRecognition》中提出的卷积神经网络模型。VGG将LeNet和AlexNet奠定的经典串行卷积神经网络结构的深度和性能发挥到极致，主要

1.前言InceptionV4是google团队在《Inception-v4,Inception-ResNetandtheImpactofResidualConnectionsonLearning》论文中提出的一个新的网络，如题目所示，本论文还提出了Inception-ResNet-V1、Inception-ResNet-V2两个模型，将residual和inception结构相结合，以获得residual

1.前言GoogLeNet，也被称为InceptionV1网络，由Google公司的研究员在2014年的论文《Goingdeeperwithconvolutions》提出。本论文提出了Inception模块，引入并行结构和不同

1.前言AlexNet是一个深度卷积神经网络模型，由AlexKrizhevsky、IlyaSutskever和GeoffreyHinton于2012年设计。这个模型在ImageNet图像识别挑战赛中获得了当时的冠军，并推

什么是经典作品？经常听人家说：“我正在重读”而不是“我正在读”的书。初读好像是在重温的书。重读像初读那样能带来新发现。经常是很多书的基础。经常要么在我们想象

 

后台数据接口启动文件node-app.js需要mysql数据库

曹文轩的作品非常隐晦深奥，但这不影响孩子们的喜欢，孩子们也能从那细腻的文笔中感受到情感的流淌。第一章秃鹤孩子的自尊。秃鹤捡起一块瓦片，砸了过去，惊得那几只鸭子拍着