weixin_71719718的博客

本文的多项式拟合原理看了博客，该博客写的很详细，这里只是作为笔记用。

trunc_normal是截断正态分布，用来初始化权重张量（用截断正态分布填充张量，a是下限，b是上限，mean是均值,正态分布的标准差,tensor要初始化的张量）。# 1.截断正态分布，用来初始化权重张量（用截断正态分布填充张量，a是下限，b是上限，mean是均值,正态分布的标准差,tensor要初始化的张量）运行结果如下：显然，该模块建立了一个3X3的tensor张量，且填充的数据符合均值为0，方差为1，最大值为2，最小值为-2的正态分布。

本文参考了其他一些博客，在这里作了一个汇总，参考最多的是博客、博客和博客，也看了其他博客，在这里不详细的说了，作为笔记用。

首先建立的界面效果如下：以上界面中，检测图1是yolov8模型检测得到的图片显示，检测图2是deeplabv3模型检测处理后得到的图片；下面检测数量是两个模型分别检测到的目标数量（图片中人的个数）；右上角的相同是指两个模型的检测数量是否相同，若相同则显示"true",否则显示“false”。下面简单介绍该功能实现的步骤。

Actor A：完成任务后发送消息给Actor B。Actor B：接收到消息后执行自己的任务。// Actor A// 模拟任务完成// 模拟耗时操作// 通知 Actor B});// Actor B// 模拟任务完成// 模拟耗时操作});//创建 ActorSystem// 创建 Actor B// 创建 Actor A，并传入 Actor B 的引用// 触发 Actor A 开始工作。

本文看了博客，这里作为笔记用，该博客内容写的很详细，这里基本上没有改动。

本文是看了博客，没有抄袭的意思，这里主要作为笔记用。

其实，我们就是要制作这种数据集作为训练的数据集。表示没有测到目标，这里需要作具体的修改。这就是训练用的图片。在第一个文件夹进入test文件夹如下,至此，训练和测试的大概步骤就完成了。再进入train文件夹有。进入train文件夹有。

该模型看了别人的博客，是谁的忘记了，这里只是作为笔记用（transform和注意力机制的原理后续有时间了会结合代码详细解释，在这里先上训练和预测代码）。

1. DeepSeek-V3是一个强大的专家混合 （MoE） 语言模型，总共有 671B 个参数，每个令牌激活了 37B。2. DeepSeek-V3 采用了多头潜在注意力 （MLA） 和 DeepSeekMoE 架构，实现了高效的推理和具有成本效益的训练。3. DeepSeek-V3 开创了一种用于负载均衡的辅助无损策略，目的是最大限度地减少鼓励负载均衡对模型性能的不利影响。并设定了多标记预测训练目标以获得更强的评估基准的整体性能。