学习整理

Layui 学习整理本文为作者本人对layui的实用向学习整理，仅作交流用。CSS组件图标字符Layui的字符采用的是Unicode字符。所有图标全部采用字体形式，这一点和bootstrap非常相似，但是用法上稍有区别。 通过对一个内联元素（一般推荐用 i标签）设定 class=”layui-icon”，来定义一个图标，然后对元素加上图标对应的 Unicode 字符，即可显示出你想要的图标。如下：

深度学习如何入门？ - 知乎 深度学习入门基础讲义_shuzfan的博客-CSDN博客_深度学习入门 深度学习基础知识点梳理 - 知乎

SSM框架学习整理 一、Spring原理： 1:核心技术 Spring的两大技术要点便是，一个AOP(面向切面编程)，一个IOC（控制反转），而AOP是什么呢，就好比从c语言面向过程编程—>java面向对象编程—>Spring面向切面编程，一步步的从抽象走向形象，它可以为某一类对象 进行监督和控制（也就是在调用这类对象的具体方法的前后去调用你指定的模块）从而达到对一个模块扩充的功...

最近在学习3DCNN，整理了一些博主的博客，以供以后学习参考。 https://blog.csdn.net/qq_36401512/article/details/85000065

大数据依然是当下热门的技术之一，就犹如之前的移动开发刚开始火的时候一样，之前写了一系列的大数据开发所需的组件安装，但还从来没想过要怎么学习大数据，正好趁这次机会写一写。大数据技术是当前互联网和信息化领域的热门技术之一，随着数据量急剧增长和结构复杂化，对大数据技术的需求也越来越大。如果想要从事相关领域的工作，学习大数据技术就是必不可少的一步。本文将为大家介绍学习大数据技术的基本途径和方法，希望能够帮助大家更好地入门和掌握大数据技术。

Linux 学习整理（apt 命令学习）

运维常用命令 LINUX运维常用命令详解一    LINUX运维常用命令详解二   LINUX运维常用命令详解三 Linux三剑客之grep命令详解   Shell文本处理三剑客之sed  Shell文本处理三剑客之awk   grep、sed、awk命令使用参数说明  20个高效正则表达式 shell基础 Shell基础知识及字符处理  Shell表达式与运算符  shell脚...

上学期刚学完c语言版的数据结构，收获颇丰。趁着暑假在此重新回顾整理，也希望能够与大家分享，欢迎批评指正。 配套用书为严蔚敏 清华大学出版社 《数据结构（C语言版）》 详细见更新。啦啦啦，开心鸭。终于自己也有机会把所学分享给大家看惹~ ...

不是固定公式：没有 “必须 21 层” 的规定，就像盖房子，3 层能住，5 层也能住，看需求。经验为主：人们发现处理这类 X 光片（中等复杂度的图片），用 4 个卷积块（16 层）+ 简单分类器（5 层）比较合适：少于 10 层：可能 “看不透” 细节（比如小的肺炎阴影抓不到）。多于 30 层：电脑要算很久，还可能 “想太多”（把正常的纹理当成肺炎特征）。试出来的：程序员可能一开始试了 10 层，发现效果不好（漏诊多）；又试了 30 层，发现太慢还容易错；最后调到 21 层，效果和效率比较平衡。

注意力机制源于人类视觉系统的工作方式 - 我们不会同时处理视野中的所有信息，而是选择性地聚焦于重要部分。在深度学习中，注意力机制通过动态调整特征图中不同位置或通道的重要性，使模型能够关注更有信息量的区域。CBAM作为一种简单有效的注意力机制，通过顺序应用通道和空间注意力模块，显著提升了CNN模型的性能。本文详细介绍了CBAM的原理、PyTorch实现方法以及在不同任务中的应用方式。实验表明，CBAM能够以较小的计算代价带来明显的性能提升。未来发展方向：更高效的注意力计算方式。

本文介绍了基于SpringBoot与CNN（卷积神经网络）的30个应用实例，涵盖图像识别、医疗诊断和工业检测等领域。主要内容包括：1）典型应用场景如MNIST手写识别、医疗影像分析等，提供关键代码示例；2）CNN核心组件（卷积层、池化层等）和工作原理；3）经典网络架构如LeNet、ResNet；4）模型部署方案与性能优化技巧。文章强调从基础示例入手，结合实际需求调整模型架构，为开发者提供完整的CNN应用实现参考方案。

真正例率（TPR，又称灵敏度、召回率）真实正例中被正确预测为正例的比例，反映模型对正例的识别能力。假正例率（FPR，又称 1 - 特异度）真实负例中被错误预测为正例的比例，反映模型的误判率。（注：TP、TN、FP、FN 的定义见混淆矩阵相关内容）