卷积填充和池化
一、卷积 “卷积”可以简单理解成：用一个小的窗口（卷积核）在数据上滑动，每到一个位置就把窗口内的数据和窗口权重对应相乘再相加，得到一个新的值。 在图像处理里，它常用来提取边缘、纹理、形状等特征。卷积核的权重不是人为写死的，而是通过网络训练学习得到的。 卷积的计算过程： 情况 输入通道 卷积核形状 输出通道 说明 单通道单卷积核 $1$ $1 \times K_h
深度学习
1. 卷积神经网络 卷积神经网络（Convolutional Neural Networks, CNN）是一种非常典型的网络架构，常用于图像分类等任务。 一张图像是一个三维的张量，分别是该图像的长宽和通道数，如下图一所示。而对于灰度图像只有一个通道，深度为1，电脑中的png格式的图片一般是4个通道数，多了一个遮罩层的东西。
科研工具
1. 文献工具 文献管理工具 EndNote安装与使用 - 韩熙隐ario - 博客园 2. AI话术 画图 1你是一个drawio代码生成器，你需要将我的需求转换成对应的xml代码，并且需要确保drawio能够正常打开和编辑你提供的内容我需要你仔细阅读PDF文件中的研究内容，并且按照图片文件的内容与排版方式生成一张标准的学术文章技术路线图。你需要确保技术路线图各模块之间逻辑清晰、衔接自然，
泰勒公式
1. 指数函数 ( $ e^x $ )$$e^x = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \frac{x^4}{4!} + \cdots = \sum_{n=0}^\infty \frac{x^n}{n!}$$ 2. 正弦函数 ($ \sin x$ )$$\sin x = x - \frac{x^3}{3!}
高数基础知识（下）
四、不定积分4.1 基本概念若 $F(x)$ 为 $f(x)$ 在某区间内的原函数，则 $F(x) + C$（$C$ 为任意常数）也为 $f(x)$ 在该区间内的原函数。 若 $F(x), G(x)$ 都是 $f(x)$ 在某区间内的原函数，则 $F(x) - G(x) = C$（$C$ 为某个确定常数）。 不定积分 定义 $f(x)$ 的原函数的全体称为 $f(x)$ 的不定积分，记为
定积分
1. 极限转为定积分从极限转为定积分的核心思想是通过 黎曼和 将求和问题转化为积分问题。常见的转化公式包括： 均匀分割的求和极限：$$\lim_{n \to \infty} \sum_{i=1}^n f\left(a + i \cdot \frac{b - a}{n}\right) \cdot \frac{b - a}{n} = \int_a^b f(x) , dx$$ 无
高数基础知识（上）
一、极限1.1 常见左右极限问题定义 **左极限：**若对任意给定的 $\varepsilon > 0$，总存在 $\delta > 0$，使得当 $x_0 - \delta < x < x_0$ 时，恒有 $|f(x) - A| < \varepsilon$，则称 $A$ 为 $f(x)$ 在 $x \to x_0^-$ 时的左极限，记为$$\lim\limits_