跑深度学习模型时，出现RuntimeError: An attempt has been made to start a new process ···报错 跑深度学习模型时，出现RuntimeError: An attempt has been made to start a new process ···报错
手写数字识别小demo-按列计算均值提特征 均值向量方法是一种非常简单的方法，可能不适用于复杂的数字识别任务。深度学习模型等更复杂的模型通常可以在数字识别任务中表现得更好。均值向量方法仅使用了每张图片的列均值作为特征，这可能会丢失很多有用的信息。数字识别通常需要更多的特征来更准确地区分不同的数字。不同的数字在均值向量上可能有相似之处，导致难以区分。特别是当数字之间有相似的形状或结构时，均值向量方法可能无法很好地区分它们。如果每个数字仅有5个样本，这可能不足以捕获数字的多样性和变化。更多的样本通常会有助于提高模型的性能。
数据中不平衡样本的处理及解决办法 数据决定了模型的上限，而我们所建立的模型只不过是在不断逼近这个上限。但是对于我们在各个地方收集到的数据，总的不会是十分的完美，要么是存在缺失值、异常值，要么是样本数据差距过大。比如一个二分类问题，训练集中有98个正样本，但只有2个负样本，这种类别数据不均衡的情况下，如果不做不平衡样本的处理，会导致模型在数目较少的类别上出现“欠学习”现象，即可能在测试集上完全丧失对负样本的预测能力。
YOLOv8添加DeepSORT目标追踪算法 多目标追踪算法核心思想是将目标检测和目标跟踪分离开来，首先使用目标检测算法对视频帧中的目标进行检测，然后将检测到的目标转化为特征向量，使用深度学习模型对目标特征进行学习， 最后使用==卡尔曼滤波器==对目标进行跟踪，实现对目标的连续跟踪。其中运行命令的时候会出现很多报错，大部分是应为环境的关系，还有一些包版本冲突问题，这里因为已经过一段时间了，我当时报错没有记录下来，都是一条条去解决的，问题不是很大，如果有报错不会的可以私信我，尽量看看。然后按照readme文档将环境配置好。进入到detect中。
YOLO部分网络结构详解 操作类似于空洞卷积，将w-h平面上的信息转换到通道维度，再通过卷积的方式提取不同特征。采用Focus层的目的应该是下采样（下采样在神经网络中主要是为了减少参数量达到降维的作用，同时还能增加局部感受野），但是相比于使用使用步长为2的卷积层或者池化层，Focus层能够有效减少下采样带来的信息损失，同时减少计算量。
机器学习-支持向量机 支持向量机是机器学习里面一个比较难以理解的算法，如何要理解非常透彻，对高数要求要好，因为里面涉及到一些拉格朗日乘法、泰勒级数等，所以我也没有对其进行深入理解，但是面试官会经常涉及到关于支持向量机的一些问题，当然这个算法也是很强大的，学习也是非常必要的。
YOLOv8添加DCNv2可变形卷积 最近比较火的可变形卷积（Deformable Convolutional Networks(DCN)）被称为目标检测改进网络结构的中涨点神器，确实在yolov8中加入DCN3可以涨3到4个点，尤其是它对小目标检测效果较好。来declare一下，否则会导入失败，至此已经差不多就ok了，现在只需要在yaml中你想要更改的网络结构的地方改一下就行，然后就可以训练了，如果不确定可以在训练的时候看一下print的网络结构即可。这三处()里都加上C2f_DCN，接着在modules文件夹下的__init__.py。
机器学习-决策树 在我们以后参加一些算法比赛的时候经常能看到它的影子，我认为它是整个机器学习中最重要的算法模型之一，后面更强大的模型比如随机森林、lightGBM等集成算法都是基于树模型来做的，所以掌握树模型极其重要。
关注
