架构分析第一次作业 三种线程：输入线程、调度线程、电梯线程 输入线程和调度线程共享waitQueue队列，调度线程和电梯线程共享processingQueue队列（有六个，放一个列表里统一管理）。 Passengers类用来放进入电梯的乘客

概念zero-shot learning(零样本学习)：让机器具有推理能力，例如在目标检测中，希望模型可以对从未见过的类别进行分类 开放世界目标检测：在每一个场景中检测每一个类别，应该有能力利用具有异构标签空间的多个来源的图像用于训练和推广

进程与线程进程概念的引入两个基本概念：并发与并行并发：宏观同时，微观交替 并行：同时 并发性的确定—Bernstein条件定义： R(Si)：Si的读子集, 其值在Si中被引用的变量的集合 W(Si)：Si的写子集, 其值在Si中被改变的

预备知识：链接与装载gcc调用包含的几个工具 cc1: 预处理和编译器 as: 汇编器 collect2: 链接器 ELF(Executable and Linkable Format)——可执行文件格式 几个重要节头： .bss:

第一次作业架构与心得分享一、架构设计如下图： 二、总体思路最开始觉得'(表达式)^n'去括号这块很难解决，后来发现其实可以把题目看作一个多项式化简的问题，而化简后的每一项都可以表示为系数*x^非负指数，所以在训练题第二题的基础上增加了幂函

作业最终架构如图 迭代中的架构调整及考虑 operate指令执行调整：可以说是我花时间最久，改动最大的一次架构调整了。最初我使用if-else处理指令输入(因为switch-case要消耗更多行，所有没用)，但是每次迭代指令种类都在增加，

yolov5前期配置和运行参考资料：Yolov5训练自己的数据集（详细完整版） 注：VOCData文件夹（可以自己命名）下的images和labels文件夹不能叫别的名字！ 使用镜像源安装库：pip install -r requireme

作用 决定需要关注输入的哪部分：在处理大量信息时，注意力机制能够帮助模型或个体确定哪些部分是重要的，并集中资源进行处理。例如，在机器翻译任务中，注意力机制可以帮助模型确定源语言句子中哪些词汇对目标语言的翻译更为重要。 分配有限的信息处理资源

查看已创建的环境。使用命令 conda info --envs 或 conda env list 可以显示所有已创建的环境。 创建新环境。使用命令 conda create -n env_name python=3.7 可以创建一个名为e

卷积神经网络构成部分n_H^{[l]} = [\frac{ {n_H^{[l - 1]} + 2{p^{[l]}} - {f^{[l]}}}}{s^{[l]}}] + 1n_W^{[l]} = [\frac{ {n_W^{[l - 1]}