reept的博客

本文介绍了图像处理和深度学习相关的关键技术，主要包括：1）图像数据读取方法，详细说明了使用PIL、OpenCV和torchvision.io库读取和处理图像的步骤，包括图像格式转换、大小调整和模式转换等操作；2）神经网络的构建方法，阐述了如何通过继承torch.nn.Module类自定义网络模型，包括参数初始化、前向传播定义以及参数管理；3）模型训练流程，展示了如何使用优化器进行参数更新和损失计算；4）还提供了模型状态管理、数据转换和图像显示等实用技巧。这些内容为CV和深度学习实践提供了全面的技术参考。

从Numpy 生成Tensor从tensor 到 Numpy注： 使用上述函数产生的tensor 和NumPy 数组共享内存，对其中的一个更改也会使另外一个随着改变，如需要不共享内存，则可以分别按照如下方式：从Numpy 生成Tensor且不共享内存：从tensor 到 Numpy 且不共享内存：from_numpy 将Numpy数组转换为张量zeros/ones 创建元素值全为0/1的张量eye 创建对角元素为1，其余元素为0cat/concat 连接多个张量split 切分张量。

题目要求将单链表按左右半区交叉重排。解决方法是：1）找到链表中间节点mid；2）将链表拆分为左半区（head到mid）和右半区（mid.next到末尾）；3）将两个半区按L1→R1→L2→R2的顺序合并。关键步骤包括快慢指针定位mid、拆分链表、交叉合并。代码实现了这一逻辑，通过遍历和指针操作完成重排，适用于奇数或偶数长度的链表。时间复杂度为O(N)，空间复杂度O(1)。

谱聚类是一种基于图论的聚类方法，通过构建数据相似度矩阵并分析拉普拉斯矩阵的特征结构来实现聚类。该算法将数据点视为图节点，利用节点间的相似度构建权重矩阵，通过特征分解获得低维嵌入空间后进行聚类（如K-means）。相比传统方法，谱聚类能识别非凸分布数据（如环形、流形结构），但对参数选择敏感且计算复杂度较高（O(n^3)），适用于中小规模数据。典型应用包括图像分割和社交网络分析。实现过程包含相似度矩阵构建、拉普拉斯矩阵计算、特征分解及最终聚类等关键步骤。

最后是 list1[1] += (50, 60)，因为元组是不可变的，这里表示对 list1 中的第二个元组拼接，然后重新创建了一个新元组作为 list1 中的第二个元素， 而 list2 中没有引用新元组，因此 list2 并不受影响。因为 list2 是 list1 的浅拷贝，list2 中的第一个元素和 list1 中的第一个元素，共同指向同一个列表，因此 list2 中的第一个列表也会相对应的新增元素 3。浅拷贝，指的是重新分配一块内存，创建一个新的对象，但里面的元素是原对象中各个子对象的引用。

当狄利克雷分布的变量维度K扩展到无限维时，对应地支撑空间X变成连续空间，依据 Kolmogorov 一致性定理，分布就被扩展成一个随机过程，这个过程就叫狄利克雷过程。由于无限维空间上的分布很难形式化表示，可以用迪利克雷分布的累加一致性来定义，思想就是在这个连续空间无论如何划分，每个划分都一致地符合同一个狄利克雷分布（这里的同一个是指同一个基础分布H，和相同的中心因子α），那么可以判定在连续空间X上，变量维度K扩展到的无限维狄利克雷分布成为了狄利克雷过程。设想一个K非常大的狄利克雷分布Dir(a,H)。

当你开发自定义装饰器时，如果不使用。

Python的类方法可以进行更详细的划分，具体可以划分为类方法、实例方法和静态方法。区分方法为：采用@ classmethod修饰方法的为类方法；采用@staticmethod修饰的方法为静态方法；不用任何修改的方法为实例方法。

被“＠函数”修饰的函数不再是原来的函数，而是被替换成一个新的东西（取决于装饰器的返回值），即如果装饰器函数的返回值为普通变量，那么被修饰的函数名就变成了变量名；2. 将funA()函数执行完成的返回值反馈回funB，此时函数名funB已不是原来的funB(),而是经过funA()装饰函数的返回值，返回值可能是普通变量也可能是函数，因而funB可能是普通变量也可能是函数。所谓函数装饰器，就是通过装饰器函数，在不修改原函数的前提下，来对函数的功能进行合理的扩充，即通过funA 对 funB函数进行了功能扩充。