omit250的博客

原创 人工智能导论——期末半小时速成（选择、填空、问答题）

1.多层人工神经网络需要激活函数的理由：如果神经网络没有激活函数，所有层的输出只是线性组合，那么无论有多少层，网络本质上仍然是一个线性模型，无法处理复杂的非线性关系。引入激活函数后，可以增加非线性因素，使网络能够拟合更复杂的函数，增强模型的表达能力。它通过在每次更新中使用小批量数据，既提高了计算效率，又避免了随机梯度下降的高方差问题，加快了收敛速度，并提升了泛化能力。3.学习率的含义及影响：学习率是优化算法中的超参数，控制每次更新时参数的步长。A、数据预处理 B、特征工程 C、模型部署 D、模型调优。

原创 数据结构查找算法和排序算法代码、性质、时间（空间）复杂度——期末速成

它利用已知数据的分布情况，估算目标元素所在的位置。选择一个基准元素，通过一趟排序将待排序序列分割成两部分，使得左边部分的元素都小于基准元素，右边部分的元素都大于基准元素，然后分别对左右两部分递归地进行快速排序，以达到整个序列有序。大冒泡： 从数组开头开始，相邻元素两两比较，若前一个元素大于后一个元素，则交换它们的位置，一趟比较完后，最大的元素会 “浮” 到数组末尾。小冒泡： 从数组末尾开始，相邻元素两两比较，若后一个元素小于前一个元素，则交换它们的位置，一趟比较完后，最小的元素会 “沉” 到数组开头。

原创 数据结构——结构体代码期末速成

/ 存放线性表中的元素。//存放栈中的数据元素；//栈顶指针，即存放栈顶元素在data数组中的下标；int length;//存放线性表的长度。}DIinkNode;//双链表的类型节点。}DataNode;//链队数据结点的类型。

原创 马克思主义判断题期末速成

1 ．有一种观点认为，阶级性与科学性是不相容的，凡是代表某个阶级利益和愿望的社会理论，就不可能是科学的。1 ．空想社会主义的思想是科学社会主义的直接思想来源，因为三大空想社会主义者的社会历史观基本上是唯物主义的。3、脱离物质的运动和脱离运动的物质都是不可想象的，因此，运动就是物质，物质就等同于运动。9 ．上层建筑对经济基础的反作用，可能是积极的、进步的，也可能是消极的、衰退的。8 ．同一性和斗争性是矛盾的两种基本属性，它们都是无条件存在的，绝对的。资本不是一种物，而是一种以物为媒介的人和人之间的社会关系。

原创 Yolo初了解

不想滑动窗口和候选区域技术，YOLO在训练和测试时，看的是完整的图片，所以YOLO隐式编码了关于类别和类别外观的上下文信息。Fast R-CNN,一个顶级的检测方法，错误的把背景部分当成检测目标，因为该算法无法看到更大的上下文信息。特点：这一系列迭代主要针对速度和精度的进一步提升，同时提供了更强的模型灵活性。（1）YOLO的主要任务是实时检测图像或视频中的对象，并为每个对象生成一个边界框及其类别标签。（1）计算机视觉中的目标检测、目标追踪和物体识别是三个重要的任务，它们虽然相关，但各自有不同的目标和应用。

原创 结构体学习-----有这一篇就够了！

int year;int month;int day;}Birthday;这里我们定义了一个名为 `Birthday` 的结构体，包含了 `year`（年）、`month`（月）和 `day`（日）三个整数成员。使用 `typedef` 简化了定义，允许我们直接用 `Birthday` 来声明变量，而不必每次都写 `struct Birthday`int id;char *name;int age;}Student;

原创 C语言笔记

原创 Python二级考试试题⑥

MonthandFlower={"1月":"梅花","2月":"杏花","3月":"桃花","4月":"牡丹花",\"5月":"石榴花","6月":"莲花","7月":"玉簪花","8月":"桂花",\"9月":"菊花","10月":"芙蓉花","11月":"山茶花","12月":"水仙花"}n = input("请输入1—12的月份:")print(n + "月份之代表花：" + MonthandFlower.get(str(n)+"月"))以下选项中，不能获得持续努力1年后的能力值的是。

原创 Python二级考试试题⑤

一个工作人员可使用多台计算机，而一台计算机被多个人使用，则实体工作人员与实体计算机之间的联系是___________。uniform(0,1) 与 uniform(0.0,1.0) 的输出结果不同，前者输出随机整数，后者输出随机小数。非确定次数的循环用 while 语句来实现，确定次数的循环用 for 语句来实现。open 函数的参数处理模式 ’ a ’ 表示追加方式打开文件，删除已有内容。下列数据结构中，属于非线性结构的是___________。id() 返回一个数据的一个编号，跟其在内存中的地址无关。

原创 Python二级考试试题④

print("{0}生活在主要由母{0}和小{0}组成的较小的群体里。统计字符串 s 中前10个高频单词的出现次数，将单词和次数写入 wordnum.txt 文件。lcat =["狮子","猎豹","虎猫","花豹","孟加拉虎","美洲豹","雪豹"]统计字符串 s 中所有单词的出现次数，将单词和次数写入 wordnum.txt 文件。ls = ["石山羊","一角鲸","南极雪海燕","竖琴海豹","山蝰"]ls = ["浣熊","豪猪","艾草松鸡","棉尾兔","叉角羚"]

原创 期末C语言易错知识点整理

不可以使用C语言中的关键字（如 int, float, if, for等）作为用户标识符，保留字指的是标准中定义的一些特殊用途的标识符，例如 typedef, extern等，这些也不能用作用户标识符。在C语言中，数组名在大多数表达式上下文中会被隐式地转换为指向其第一个元素的指针。定义的是一个 1 行 4 列的二维数组，初始化时提供了一个元素 4，其余元素默认初始化为 0，因此是正确的。在这里，x在进行加法运算时，被隐式地转换为指向x[0]的指针，然后x + 1表示指向第二个元素的指针，即&x[1]。

原创 Python二级考试试题③

8. 设有表示学生选课的三张表，学生S（学号，姓名，性别，年龄，身份证号），课程C（课号，课名），选课SC（学号，课号，成绩），则表SC的关键字（键或码）为。表达式 for i in range(len(ls)) 的循环次数跟 for i in range(1,len(ls)+1) 的循环次数是一样的。表达式 for i in range(len(ls)) 的循环次数跟 for i in range(0,len(ls)) 的循环次数是一样的。则该二叉树的深度为（根结点在第1层）___________。

原创 Python二级考试试题②

35. 完全不考虑程序的内部结构和内部特征，而只是根据程序功能导出测试用例的测试方法是。str.replace(x,y)方法把字符串str中所有的x子串都替换成y。seth(x) 是setheading(x)函数的别名，让画笔向前移动x。for i in range(5)表示循环5次，i的值是从0到4。想把一个字符串str所有的字符都大写，用str.upper()想获取字符串str的长度，用字符串处理函数 str.len()设 x = ’aa’ ，则执行x*3的结果是‘aaaaaa’

原创 Python二级考试试题①

DictColor = {"seashell":"海贝色","gold":"金色","pink":"粉红色","brown":"棕色", "purple":"紫色","tomato":"西红柿色"}9. 设有表示学生选课的三张表，学生S（学号，姓名，性别，年龄，身份证号），课程（课号，课程名），选课SC（学号，课号，成绩），表SC的关键字（键或码）是。d ={"大海":"蓝色", "天空":"灰色", "大地":"黑色"}print(d["大地"], d.get("大地", "黄色"))

原创 C语言期末复习多选题50道（含答案）

27. 若已定义:int a[ ]={0,1,2,3,4,5,6,7,8,9}, *p=a,i;4. 若有定义语句：double x[5]={1.0,2.0,3.0,4.0,5.0}, *p=x;41. 设p1和p2是指向同一个int型一维数组的指针变量,k为int型变量,则能正确执行的语句是( )28. 若a、b、c、d都是int类型变量且初值为0，以下选项中正确的赋值语句是( )。5. 若要求定义具有10个int型元素的一维数组a，则以下定义语句中正确的是。赋给数组b的语句是( )

原创 期末C语言单选题100道（含答案）

15. 设a、b、c、d、m、n均为int型变量，且a=5、b=6、c=7、d=8、m=2、n=2，则逻辑表达式(m=a>b)&&(n=c>d)运算后，n的值为( )20. 设有：int a=1, b=2, c=3, d=4, m=3, n=3;执行 (m=a>b)||(n=c>d)后n的值为( )。4. 若x,a,b和c均是int型变量，则执行表达式x=(a=1,b=2)后x的结果为( )。13. 若a为int类型，且其值为3，则执行完表达式a+=a-=a*a后，a的值是( )

原创 C语言期末概念题100道

+(i+1);i+1\123。

原创 C语言:学生成绩管理系统（含源代码）

C语言:学生成绩管理系统（含源代码）

原创 C语言：结构体和共用体

语法：两者的定义和成员访问方式类似。用途：都用于将不同类型的数据组合在一起。

原创 如何免费使用正版Chtgpt-4o

1.准备工作:加速器（即VPN2.正版Chtgpt-4o使用次数为一天9次3.拥有对应的谷歌账号（可以免费注册）（只需五步）注册谷歌账号详细步骤，解决“此电话号码无法验证”问题-优快云博客。

原创 Web（数字媒体）期末作业

1.本资源为类似于打飞机的网页游戏2.链接如下：【免费】前端web或者数字媒体的期末作业（类似于打飞机的2D网页小游戏）资源-优快云文库

原创 Mask R-CNN和Faster R-CNN的区别（简述）

掩码分支是一系列卷积层，输出每个建议区域的像素级掩码，即对象的实例分割结果。Mask R-CNN使用了更精确的RoIAlign层，提高了分割精度，但也增加了计算复杂度。(1)Mask R-CNN是在Faster R-CNN基础上的扩展，增加了对象实例分割的能力。(1)Faster R-CNN是一个用于对象检测的深度学习模型，旨在提高R-CNN系列模型的。Mask R-CNN的训练和推理时间比Faster R-CNN更长，但提供了。(CNN)：与Faster R-CNN相同，用于提取图像的特征。

原创 C语言:越界访问

越界访问是C语言中常见的编程错误之一，因此在编写代码时应该特别注意数组和指针的边界，并且确保在进行字符串操作时，目标缓冲区足够大以容纳所需的数据。否则，越界访问可能会导致程序运行不稳定、产生。在处理C字符串时，特别容易发生越界访问。定的结果，这也属于未定义行为的一种。超出了数组的边界时，就会发生数组越界访问。超过目标缓冲区的长度时，就会发生越界访问。之外的位置时，就会发生指针越界访问。在C语言中，越界访问是指程序试图访问。或其他数据结构中的元素，但访问的位置。当程序试图访问数组中的元素，但使用的。

原创 指针读取文件（简单、干净的知识点罗列）

FILE *fp;//定义一个文件指针fp=fopen("打开文件名","打开方式");//把文件指针具体的去指向一个文件//然后对文件进行操作fclose(fp);//要关闭文件。

原创 Mask RCNN（Mask_RCNN-master）简单部署

Mask Head 是 Mask R-CNN 的关键部分，它在每个候选的对象边界框周围生成目标的像素级掩码。这个过程可以视为是对边界框中的像素进行分类，从而确定哪些像素属于目标对象。损失函数，包括目标检测的边界框损失和语义分割的掩码损失。这些损失函数共同作用于网络的不同部分，以确保网络能够准确地检测目标的位置和分割对象的像素。：通常使用的是预训练的卷积神经网络（如 ResNet、ResNeXt、或者 MobileNet），用于提取输入图像的特征。的文章（侵权请联系，马上删除），做的工作为。

原创 VGG16简单部署(使用自己的数据集)

（1）链接：https://pan.baidu.com/s/1my_uzYws6ED4tIVHNd7U7A。（2）github上： https://github.com/mmastererliu/vggmast。模型，由牛津大学视觉几何组（Visual Geometry Group）开发。VGG16的主要特点是网络结构简单清晰，所有的卷积层都采用了。激活函数，并且在每个卷积层之后都有一个池化层来降低特征图的维度。大佬的文章（侵权请联系，马上删除），做的工作为。个全连接层，是深度学习中常用的。

原创 Yolov5简单部署（使用自己的数据集）

YOLOv5是一种基于深度学习的目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。与以往的版本相比，YOLOv5具有更快的速度和更高的准确性。YOLOv5是一个开源项目，它在各种场景下都取得了很好的效果，包括。设置环境变量 ：D:\ProgramData\miniconda3\condabin\conda.bat。更新 pip ：python -m pip install --upgrade pip。大佬的文章（侵权请联系，马上删除），做的工作为。pip 清华源 -i。

原创 ZeRO论文阅读

在深度学习中，通常会使用多个GPU来加速训练过程，这就需要在GPU之间有效地传输模型参数、梯度和其他相关数据。的技术，通过减少模型参数和计算过程中的精度要求来降低计算成本。这种方法有助于克服单个设备内存的限制，并提高训练大型模型的效率。份，避免重复-------->参与服务器的思想-------->内存使用下降。模型并行是一种用于训练大型神经网络的分布式计算策略，旨在将模型参数。的时候，将其分散开来，需要的时候调用即可，该技术则是应用于此。半精度是一种表示数值的方法，使用。地方---->和参数服务器一样。

原创 BERT论文阅读

(ps:BERT本身并没有一个绝对的精度，因为它是一个预训练的模型，其性能取决于具体任务和数据集，但是一些标准的基准数据集上，BERT和其变种通常能够达到非常高的精度。例如，在GLUE上）----------->均使用单项的语言模型。②ELMO运用的RNN而BERT运用的是Transformer，故ELMO与用到下游的时候要调整。2.与ELMO、GPT的区别（因为是在这两篇的基础上发展的）②预训练策略：（1）基于特征（ELMO）：将学到的特征和输入。②微调：使用预训练中的权重用的是有标号的数据集。

原创 文本检索粗读

再去计算相关性（最大的缺点就是价格昂贵），在你搜索某个单词，比如torch的时候，torch，这个单词是一串数字，它会遍历整个文件，找到符合条件的返回出来的就是torch,而。的神经网络，把训练和检索放到一起，能有效提高召回率。本文提出NCI的方法，这是一种基于sequence到sequence的网络，能直接针对特定文档。先整体k-mens聚类分为1，2，3，然后再提取关键特征，如图所示，11 12前面那个1就是关键特征，简而言之，就是。原本的输入如上图，但是作者认为持续性不够，所以自己人为添加了。

原创 DETR论文粗读

一.前情提要1.本文理论为主，并且仅为个人理解，能力一般，不喜勿喷2.本文理论知识较为散碎3.如有需要，以下是原文，更为完备。

原创 自我介绍的HTML 页面（入门）

姓名：、性别：、来自：、爱好：

原创 乐健体育刷分----AI运动的站姿风车

不得用于其他不当途径，若有问题。2.点击AI运动，找到站姿风车。

原创 C语言------冒泡法排序

因为在每一轮外层循环中，内层循环需要比较相邻的元素，并将较大的元素向右移动，直到最大的元素移动到当前未排序部分的最后一个位置。的终止条件是 i < n - 1 ，原因是因为在每一轮遍历中，内层循环会比较相邻的两个元素，并将较大的元素向数组的末尾移动。假设数组的长度为 n，在经过 n - 1 轮遍历后，数组中的最后一个元素已经是最大的元素了，不需要再进行比较和交换。最后，将临时变量 temp 中保存的值赋给索引为 j + 1 的位置，实现了将前一个元素的值赋给后一个元素，从而完成了两个元素值的交换。

原创 Tensorboard以及Transforms初步学习

在transforms.Normalize函数中，[0.5, 0.5, 0.5]是用于指定图像的均值（mean）参数，而[0.5, 0.5, 0.5]是用于指定图像的标准差（standard deviation）参数。第一个参数是数据的标签或名称，第二个参数是数据的值，第三个参数是当前循环迭代的步数，也可以理解为X轴的值。灵活的维度：Tensor数据类型支持多维数组，能够表示各种复杂的数据结构，包括图像、文本、时间序列等，使得深度学习模型可以处理各种类型的数据。，以增加数据的多样性和模型的泛化能力。

原创 MNIST手写数字数据集代码学习

接着构建了一个简单的神经网络模型，包括一个Flatten层用于将图像展平，一个具有128个神经元的隐藏层和一个具有10个神经元的输出层。最后，使用测试数据评估了模型的性能。它由来自美国国家标准与技术研究所（NIST）的来自 250 个不同人手写的数字构成，其中 60,000 个样本用作训练集，10,000 个样本用作测试集。MNIST数据集的每个样本都是28x28像素的灰度图像，代表着0到9中的一个数字。因此，每个图像都可以表示为一个784维的向量（28x28=784），其中每个元素代表像素的亮度值。

原创 Numpy基础代码学习

unpack=True：一个可选的参数，如果设置为True，则将加载的数据以行为单位进行解压缩，即每一行的数据将存储在一个单独的数组中。#shape(3,3,2)可以和shape(3,2)计算,shape(3,3,2)也可以和shape(3,3)计算。# random.uniform(a, b)：返回一个在指定范围[a, b]内的随机浮点数，可以包括a和b。unpack是否旋转。unpack是否旋转。#改变数据类型eg: t3=np.array([1,1,0,0,1],dtype=bool)

原创 Matplotlib代码实操学习

xtick_labels=['3月{}'.format(i) for i in x_3]+['10月{}'.format(i-50) for i in x_10]plt.plot(x,y_2,label='别人',color='cyan',linestyle='--')plt.plot(x,y,label='自己',color='orange',linestyle=':')categories = ['A', 'B', 'C', 'D', 'E'] # x轴的类别。

原创 YOLOv1论文初步学习(理论知识)

3.如有需要，以下是代码精度，更为。（如有侵权，联系作者马上删除）2.本文理论知识较为散碎。

原创 K均值聚类算法（K-Means Clustering Algorithm）代码学习

定义一个名为kmeans的函数，接受三个参数：data（数据集）、k（簇的数量）、max_iters（最大迭代次数，默认为100）。：表示输入的数据点集合，应该是一个二维数组或矩阵，每一行代表一个数据点，每一列代表一个特征。如果当前聚类中心和新的聚类中心非常接近，则表示聚类已经收敛，不再发生变化，因此可以退出迭代。: 找到距离当前数据点最近的聚类中心的索引，确定该数据点所属的簇。列表的长度为聚类数量。: 计算每个簇中数据点的平均值，作为新的聚类中心。，最后，将新的聚类中心添加到新的聚类中心列表中。