0、基本概念介绍标题一般有三个部分组成：标签+间隔+标题文字 标签label即序号，例如“1.这是一个标题”中的“1.”就是label章节分为以下几个层级-1part0chapter1section2subsection3subsubsection4paragraph5subparagraph 不同的文章类型，包含不同的层级。article最高层级为section1、设置目录的格式package:titletoccommand:titlecontents\titlecontents{标题名}[左间距]{标题格式}{标题标志}{无序号标题}{指引线与页码}[下间距]标题名设置所需修改的
0、基本概念介绍标题一般有三个部分组成：标签+间隔+标题文字 标签label即序号，例如“1.这是一个标题”中的“1.”就是label章节分为以下几个层级-1part0chapter1section2subsection3subsubsection4paragraph5subparagraph 不同的文章类型，包含不同的层级。article最高层级为section1、设置目录的格式package:titletoccommand:titlecontents\titlecontents{标题名}[左间距]{标题格式}{标题标志}{无序号标题}{指引线与页码}[下间距]标题名设置所需修改的
【LaTeX教程】04.LaTeX插入符号与数学公式LaTeX公式我将把握最近文章里用到的数学公式格式都放上来供大家参考学习首先最简单的数学模式$xxx$%一个$符号，中间的内容是行内模式$$xxx$$%两个$符号，中间的内容是行间模式(行间模式会单独占一行)更进一步就是带有公式编号的模式\begin{eqnarray} %输入公式，此模式公式为行间模式，并带有公式编号\end{eqnarray}or\begin{equation} x^2+y^2=1\end{equation}插入大括号形式公式典型的为分子动力学模拟中常用的LJ势\begin{eqnarray} U_\mathrm{LJ
【LaTeX教程】04.LaTeX插入符号与数学公式LaTeX公式我将把握最近文章里用到的数学公式格式都放上来供大家参考学习首先最简单的数学模式$xxx$%一个$符号，中间的内容是行内模式$$xxx$$%两个$符号，中间的内容是行间模式(行间模式会单独占一行)更进一步就是带有公式编号的模式\begin{eqnarray} %输入公式，此模式公式为行间模式，并带有公式编号\end{eqnarray}or\begin{equation} x^2+y^2=1\end{equation}插入大括号形式公式典型的为分子动力学模拟中常用的LJ势\begin{eqnarray} U_\mathrm{LJ
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
1 Wise-IOU损失函数边界框回归（BBR）的损失函数对于目标检测至关重要。它的良好定义将为模型带来显著的性能改进。大多数现有的工作假设训练数据中的样本是高质量的，并侧重于增强BBR损失的拟合能力。如果盲目地加强低质量样本的BBR，这将危及本地化性能。FocalEIoUv1被提出来解决这个问题，但由于其静态聚焦机制（FM），非单调FM的潜力没有被充分利用。基于这一思想，作者提出了一种基于IoU的损失，该损失具有动态非单调FM，名为WiseIoU（WIoU）。当WIoU应用于最先进的实时检测器YOLOv7时，MS-COCO数据集上的AP75从53.03%提高到54.50%。现有工作记锚框为，
目录一、向量的概念和运算二、向量组的表出与线性相关的概念三、判别线性相关性的七大定理一、向量的概念和运算1、n维向量：n个数构成的一个有序数组称为一个n维向量，记成2、运算：相等，加法，数乘 二、向量组的表出与线性相关的概念1、线性组合2、线性表出3、线性相关对m个n维向量，，若存在一组不全为0的数，，使得,则称该向量组线性相关。4、线性无关与线性无关相反，向量组或线形无关或线形相关，二者必居其一。单个非零向量，两个不成比例的向量均线性无关。三、判别线性相关性的七大定理定理1向量组线性相关的充要条件是向量组中至少有一个向量可由其余的m-1个向量线性表出。证明：（必要性）设向量组线性相关，则存在
目录一、向量的概念和运算二、向量组的表出与线性相关的概念三、判别线性相关性的七大定理一、向量的概念和运算1、n维向量：n个数构成的一个有序数组称为一个n维向量，记成2、运算：相等，加法，数乘 二、向量组的表出与线性相关的概念1、线性组合2、线性表出3、线性相关对m个n维向量，，若存在一组不全为0的数，，使得,则称该向量组线性相关。4、线性无关与线性无关相反，向量组或线形无关或线形相关，二者必居其一。单个非零向量，两个不成比例的向量均线性无关。三、判别线性相关性的七大定理定理1向量组线性相关的充要条件是向量组中至少有一个向量可由其余的m-1个向量线性表出。证明：（必要性）设向量组线性相关，则存在
网上关于Adam优化器的讲解有很多，但总是卡在某些部分，在此，我将部分难点解释进行了汇总。理解有误的地方还请指出。Adam，名字来自：AdaptiveMomentEstimation，自适应矩估计。是2014年提出的一种万金油式的优化器，使用起来非常方便，梯度下降速度快，但是容易在最优值附近震荡。竞赛中性能会略逊于SGD，毕竟最简单的才是最有效的。但是超强的易用性使得Adam被广泛使用。Adam的推导公式：解释：第一项梯度就是损失函数对求偏导。第二项为t时刻，梯度在动量形式下的一阶矩估计。第三项为梯度在动量形式下的二阶矩估计。第四项为偏差纠正后的一阶矩估计。其中：是贝塔1的t次方，下面同理。第
网上关于Adam优化器的讲解有很多，但总是卡在某些部分，在此，我将部分难点解释进行了汇总。理解有误的地方还请指出。Adam，名字来自：AdaptiveMomentEstimation，自适应矩估计。是2014年提出的一种万金油式的优化器，使用起来非常方便，梯度下降速度快，但是容易在最优值附近震荡。竞赛中性能会略逊于SGD，毕竟最简单的才是最有效的。但是超强的易用性使得Adam被广泛使用。Adam的推导公式：解释：第一项梯度就是损失函数对求偏导。第二项为t时刻，梯度在动量形式下的一阶矩估计。第三项为梯度在动量形式下的二阶矩估计。第四项为偏差纠正后的一阶矩估计。其中：是贝塔1的t次方，下面同理。第
