是瑶瑶子啦-CSDN博客

原创【计算机系统架构】从0开始构建一台现代计算机|二进制、布尔运算和ALU|第2章

着手构建一个加法器系列–专为数字加法而设计的芯片。然后，我们将向前迈出一大步，构建一个算术逻辑单元。算术逻辑单元设计用于执行一整套算术和逻辑运算，是计算机的计算大脑。在本课程的后半部，我们将使用 ALU 作为核心芯片，并在此基础上构建计算机的中央处理器（CPU）。由于所有这些芯片都以二进制数（0 和 1）为运算单位，因此我们将从二进制运算的总体概述开始本模块的学习，然后再深入学习 ALU 的构建。

2024-07-22 21:19:01 982

原创【计算机系统架构】从0开始构建一台现代计算机|布尔代数和基础逻辑门|第一章

首先，我们将简要介绍布尔代数，并学习如何使用逻辑门物理地实现布尔函数。然后，我们将学习如何使用硬件描述语言（HDL）指定逻辑门和芯片，以及如何使用硬件模拟器模拟由此产生的芯片规格的行为。这些背景知识将为项目 1 做好准备，在项目 1 中，您将构建、模拟和测试 15 个基本逻辑门。您在本模块中构建的芯片组稍后将用于构建计算机的算术逻辑单元（ALU）和内存系统。这将分别在模块 2 和模块 3 中完成。简而言之，NAND与非门是给定的，我们要依次从上到下构建芯片。

2024-07-20 15:51:44 848

原创【计算机系统架构】从0开始构建一台现代计算机|导言

从 Nand 到俄罗斯方块之旅.它是从0 到1从最基础的与非门开始，从硬件到软件讲清楚计算机的架构原理以及软件的运行原理。"从Nand 到俄罗斯方块 “课程将带您踏上一段自定进度的奇妙探索之旅，从布尔代数和初级逻辑门，到构建中央处理器、内存系统和硬件平台，直至一台可以运行任何程序的通用计算机。在构建这台计算机的过程中，你将熟悉许多重要的硬件抽象概念，并亲手实现它们。但最重要的是，你将享受到从头开始构建一个复杂而实用的系统所带来的巨大快感。看这门课时间也不是很长，于是正准备暑期学完。

2024-07-20 15:51:11 636

原创【BFS算法】广度搜索·由起点开始逐层向周围扩散求得最短路径（算法框架+题目）

深度优先搜索是DFS（Depth Frst Search)，其实就是前面所讲过的回溯算法，它的特点和它的名字一样，首先在一条路径上不断往下（深度）遍历，获得答案之后再返回，再继续往下遍历。这也是递归的思想，所以这也是为什么回溯算法通常都是用递归来写，而下面的BFS由于不是这种思路从而没有用递归。广度优先算法（Breath First Search)其实和深度优先算法是一对兄弟，因为它们的解空间都是树形解空间，并且都是在求解过程中动态生成树形解空间。

2024-06-19 09:57:57 1284

原创【大数据·hadoop】项目实践：IDEA实现WordCount词频统计项目

我们知道，在hdfs分布式系统中，MapReduce这部分程序是需要用户自己开发，我们在ubuntu上安装idea也是为了开发wordcount所需的Map和Reduce程序，最后打包，上传到hdfs上。在ubuntu上安装idea的教程我参考的是这篇。

2024-06-11 20:12:19 1127 1

原创【计算机视觉】数字图像处理基础：以像素为单位的图像基本运算（点运算、代数运算、逻辑运算、几何运算、插值）

在上篇文章中，我们对什么是数字图像、以及数字图像的组成（离散的像素点）进行了讲解🔗。我们知道，数字图像其实就是像素点组成的二维矩阵。本节我们要讲的就是基于这个二维矩阵进行一些数学上的基本运算（本质就是就是矩阵的计算——线性代数），对图像进行处理，这些基本运算也是数字图像处理的基础和基本算法，本节我们将介绍这些基本算法。分别有以下几类Tips: 我们在进行下面的基本运算时，都是将像素值进行归一化到[0, 1]的取值范围的，方便变换和计算。在对应变换的时候也需要注意这点，避免产生误解。

2024-06-08 16:55:55 2012

原创【回溯算法】N皇后问题·构建多叉决策树，遍历决策节点，做出决策（边），收集答案

在这篇博客，其实已经对回溯算法的思想、做题框架做出了详细的阐述。这篇文章我们再从N皇后问题，加深我们对其理解。这里在简单再次对其进行概述：回溯算法的核心就是构建和遍历一棵【多叉决策树】🪧函数就相当于游走在这颗多叉决策树上的一个指针，它来决策节点，并且做出决策。进入backtrack函数，就以为着我们进入了一个决策节点，也意味着我们需要思考上面所示的三个问题。其核心就是 for 循环里面的递归，

2024-06-07 13:20:42 959 1

原创【贪心算法·哈夫曼编码问题】从定长编码和不定长编码讲到最小化带权路径长度和

原问题有n个节点，通过贪心选择合并两个频率最低节点为一个新节点，将新节点加入到节点集合，进行n-1个节点的最优编码二叉树构建，可以看到，首先我们要承认使用贪心的前提是：问题具有贪心选择性质，即可以通过局部最优进而得到全部最优（并不是所有问题都具有贪心选择性质）；而由局部最优得到全局最优其实是一个自顶向下的思想过程：通过每次当前的贪心选择，来缩小问题规模，从而一步一步得到全局最优解。

2024-06-03 17:26:16 1155

原创【C++】浅论（cin和cout)的解锁、缓冲区的理解、C&C++输入方法汇总和详解

首先在C语言中scanf用来格式化读取各种基本数据（但是遇到空比字符则视为读入的终止标志而停止，所以不可用来读取带有空格的字符串）getchar()和fgets()用来读取字符（可读白字符：如空格、换行），区别仅在于getchar()默认是stdin输入流，不用显示传参在读取字符串时（C语言格式的字符数组char [])，使用fgets读入，其会读取到换行符\0便终止读取，并把\0算入字符串的一个字符加入到字符串末尾，并且自动在字符串末尾加上\0。在C++中cin可以用来读取各种基本数据，和。

2024-05-27 15:00:17 1258

原创 Python 人工智能实战| 基于K-means算法的模式聚类进行数字图像处理

1、理解K-means算法的基本原理和图像颜色聚类的关键要素；2、学习使用Python编程语言和机器学习开发工具包（scikit-learn）构建K-means模型；3、编程实现基于K-means的图像颜色聚类程序，并分析实验结果。二、概要设计1.Kmeans——一种无监督机器学习的聚类算法基本原理：在不给出数据类别标签而直接给出样本数据情况下，该算法首先需要确定结果要把样本聚成k类。2.本次实验需要完成的聚类任务介绍：用K-means算法实现图像颜色聚类。

2024-05-23 10:07:26 772 1

原创【计算机视觉】数字图像处理基础知识：模拟和数字图像、采样量化、像素的基本关系、灰度直方图、图像的分类

图像(image)：根据第二点的不同，我们可以将图像分为：模拟图像、数字图像模拟图像的成像过程和结果记录是基于化学反应的，如传统照相方法所用到的“胶片”就是一种物理介质，这个过程涉及到光敏材料对光的响应，是一种！。这种成像过程和记录结果是连续的，没有固定的分辨率限制，可以达到非常精细的水平。对模拟图像的处理和编辑通常需要用到。，成像结果就是离散的。它是基于传感器的。由下图可以看到，数字图像是由模拟图像得到的。它以像素为最小单位存储在计算机等数字电路中，这个过程也称为：图像的数字化。

2024-05-22 15:01:36 1894

原创 Python 人工智能实战| 基于多层神经网络的模式分类识别MINIST手写数字

人工智能实验，了解一下python里sklearn这个机器学习库，当然神经网络部分都是直接封装好的，直接调用就好，看看如何在应用方面，调用库来训练一个模型，来进行预测。

2024-05-17 08:45:37 1095

原创【大数据·Hadoop】从词频统计由浅入深介绍MapReduce分布式计算的设计思想和原理

MapReduce的算法核心思想是：分治学过算法的同学应该会学到分治算法，所谓分治，就是把原问题分解为规模更小的问题，进行处理，最后将这些子问题的结果合并，就可以得到原问题的解。MapReduce这种分布式计算框架的核心就是：分治。上图是MapReduce的处理流程图，可以看到，MapReduce的整个过程主要分为：输入：来自存储在hdfs上的文件block进行分块（split）后，并且进行读取数据处理的分块数据的键值对（key-value)形式。

2024-05-11 19:27:04 1824 3

原创【大数据·hadoop】在hdfs上运行shell基本常用命令

在Hadoop生态系统中，supergroup 是一个默认的用户组，通常与HDFS的超级用户（即 Hadoop 的管理员账户，类似于 Unix 系统中的 root 用户）关联。超级用户和属于 supergroup 组的用户通常有着对HDFS上所有文件和目录的全权限，这包括读取、写入和执行权限。

2024-05-11 17:09:39 1746 1

原创由树形解空间入手，深入分析回溯、动态规划、分治算法的共同点和不同点

回溯、动态规划、分治可以认为是一类算法，其实不用严格的将其分为太开，它们的共同点是解空间都是一棵多叉树，获得解也是在这个多叉树上进行操作。只需要从这三个视角对其有一个直观认识即可而各个算法的关键以及区分点也就是❓如何去构建这样一给解空间（一颗多叉树）——递归函数的定义❓这个多叉树的节点含义是什么❓如何基于这个解空间获得问题的答案。

2024-05-08 16:49:37 748

原创【机器学习系统的构建】从模型开发的过程讲清楚K-Fold 交叉验证 (Cross-Validation)的原理和应用

综上，我们基本就弄清楚了各个各个数据集的作用，在这里我们总结一下：在一个确定的模型结构上，基于训练集的数据，用相应模型的训练方法（比如反向传播和梯度下降)进行模型的训练——模型的训练对训练好的、不同结构的模型进行性能的评估，进行选择,选择一个性能最好的（这里的最好，是只这个模型是基于训练集、验证集表现的最好的，并不代表它的泛化能力就一定强）——模型的选择和超参数调整独立于模型开发过程，在最终由前两个步骤推出来一个模型后，对这个模型的泛化能力进行客观公众的评估。——在最终选择好模型后，进行模型性能评估。

2024-05-07 21:39:47 1003 1

原创集成学习算法：AdaBoost原理详解以及基于adaboost的图像二分类代码实现

AdaBoost，是英文"Adaptive Boosting"（自适应增强）的缩写，由Yoav Freund和Robert Schapire在1995年提出。AdaBoost（Adaptive Boosting）是一种集成学习算法集成学习算法其实不能理解为一种具体算法（像knn、kmeans这样十分具体的算法），它其实是一种算法策略、算法框架。它的核心是在于，将多个弱学习器（模型）结合（集成），从而得到一个更强大的模型。提高整体的性能和稳定性。💡说的好像很轻松，“结合”，那么具体如何结合呢？

2024-05-05 19:16:43 2942 7

原创 Python 人工智能实战| KNN算法进行分类和回归

在本次实验中，我们使用了一个包含人的身高©、体重(kg)和性别(male/female)的数据集。这个数据集被分为训练集和测试集，训练集用于训练KNN模型，而测试集用于评估模型的性能。为了探究数据量对模型性能的影响，我们尝试了增加训练集和测试集的数据量。此外，我们还考虑了不同的K值对模型预测准确率的影响。数据集的具体介绍如下：①基于身高和体重的性别预测：训练数据集包含多个样本，每个样本有两个属性：身高©和体重(kg)，以及一个类别标签：性别(male/female)。

2024-04-29 11:28:57 1534

原创将Python机器学习模型集成到C++ Qt客户端应用程序中|Qt调用python详解

有几个不同的选项可以将你的Python机器学习模型集成到你的C++ Qt客户端应用程序中。通过嵌入式Python部署方法，目标机器（用户的机器）无需单独安装Python。这是因为所有必要的Python组件都应该被包含在你的应用程序中，作为该应用程序的一部分进行分发。这意味着Python解释器和所有必要的库、模块及其他依赖都被静态链接到应用程序或以其他形式捆绑在一起，用户不需要执行额外的安装步骤。

2024-04-21 16:57:13 1687

原创 Python爬虫技术快速入门

本文介绍了Python爬虫技术的基础知识和常用库。通过发送HTTP请求、解析HTML内容以及处理JavaScript渲染的页面，我们可以提取出互联网上的有用信息。对于更复杂的爬虫需求，可以使用Scrapy框架来构建高度定制化的爬虫程序。希望本文对你入门Python爬虫技术有所帮助！文末推荐。

2024-04-09 07:02:01 1283

原创【机器学习·浙江大学】机器学习概述、支持向量机SVM（线性模型）

支持向量机就是最大化margin的方法将直线上下移动所穿过的向量称为：支持向量（support vectors)——为什么呢？因为我们从上文讲到的确定最终直线的方法来看，最大化距离、确定直线，只和这几个穿过的支持向量有关（这也是为什么SVM适合小样本问题）X→1y1X1y1X→2y2X2y2X→3y3X3y3X→NyNXNyNX→X是特征向量；

2024-04-07 21:41:14 1363

原创 2023年度总结：允许迷茫，破除迷茫；专注自身，把握当下

我该如何来形容我这几年呢，像一只从从鸟巢中破壳，刚学会飞行的小鸟，以为能展翅翱翔至高空，却不慎跌入湖海，2022年的我，在湖水中拼命展翅，学会了游泳，却身心俱疲，但好在有目标有毅力。2023年的我，似乎仍然在湖海中迷茫漂泊，好在自己及时抓住了稻草，奋起直上游到了岸边，上岸的小鸟有了更清晰的目标和路线，但是她明白，想飞往更高的天空不是学会振翅就行的…在2023这一整年，我不想说我学到了多少计算机的专业知识，有多大的学业成就，我觉得我成长的不仅是学习，还有更多方面，下面是我的一些感悟。

2024-04-06 21:05:48 1559 26

原创 Python 人工智能实战|产生式规则推理系统：动物识别系统、智能客服系统

实现一个简单的自动问答系统。要求系统能够实现如下功能：如果用户"询问产品"，则显示"了解您想了解的产品信息，请问您具体对哪些产品感兴趣？如果用户"询问价格"，则显示"您可以在我们的官方网站上查询到最新的产品价格信息。如果用户"询问库存"，则显示"您所感兴趣的产品目前还有货，您可以直接在官网进行购买。如果用户"投诉"，则显示"非常抱歉给您带来不便，请您提供您的订单号，我们会尽快为您解决问题。

2024-04-01 11:03:21 2796 1

原创 Hadoop在ubuntu虚拟机上的伪分布式部署|保姆级教程

2.经后续测试发现问题，虽然已经为ubuntu系统设置了java的环境变量，但hadoop实际运行时仍会出现找不到java-jdk的现象，故再对hadoop的环境文件进行修改，此外，该文件还包括启动参数、日志、pid文件目录等信息。Hadoop和与之相关的很多工具都是通过java语言编写的，并且很多基于hadoop的应用开发也是使用java语言的，但是ubuntu系统不会默认安装java环境，所以需要安装java并配置环境变量。少了就说明上面的启动命令肯定没有完全运行成功，哪个少了就去google一下！

2024-03-30 14:14:12 1555

原创给虚拟机配置静态IP并使用FileZIlla在虚拟机和Windows之间传输文件（ssh和ftp两种方法）

🌸下面的步骤主要是配置虚拟机的静态IP，方便后续用FikeZilla在windows和虚拟机之间传输文件（否则用默认的ip分配方案为DHCP,每一次开机时的ip都是有可能不同的,这样就会导致.）

2024-03-30 11:36:22 1884

原创【已解决】伪分布式Hadoop服务已经开启，但是无法访问http://localhost:9870（缺少NameNode进程）\http://localhost:8088

使用如下方法启动成功hadoop服务进入相应文件夹首先停止启动所有的节点，使用命令行启动stop-all.sh脚本使用jps命令查看当前hadoop运行貌似没问题其实这里就是有问题！！！后续解决方法里面说继续打开，查看web界面显示无法连接到。

2024-03-30 11:15:44 2304

原创 VS2019下打包QT项目的方法(包含第三方库)、打包成一个 exe 安装包

请注意，使用资源文件时，你应该确保资源文件是通过Qt的构建过程嵌入到应用程序中。如果你想加载模型文件（例如.onnx或.trt文件），你可能需要将文件读取到内存中，然后使用模型加载库（例如用于加载ONNX模型的库）来处理它。在Qt项目中，一旦你定义了.qrc文件并且正确地设置了资源，你就可以通过资源路径来访问这些文件。如果你需要将图像转换为OpenCV的格式，你可以使用前面提到的QImageToCvMat函数来将QImage转换为cv::Mat，就像我们先前提到的那样。注意这样还是不能直接使用！

2024-03-28 21:22:42 2204

原创【已解决】在pycharm终端无法激活conda环境，但在cmd命令行中可以

pycharm 默认的终端是 Windows PowerShell将终端设置为 cmd.exe

2024-03-18 11:13:57 1546

原创【Leetcode每日一刷】二维数组花式遍历：一、顺/逆时针旋转矩阵：48. 旋转图像、二、矩阵的螺旋遍历 |54. 螺旋矩阵

寻常的思路有以下两种：可能会误认为去模拟一下，一圈一圈的去遍历，然后进行旋转；又或者是想去找出当前坐标和旋转后像素对应坐标位置之间的关系，结果发现都想不出来很好的解决方法。它用了另外一种比较巧妙的方法，对于计算机比较好理解，但对于我们可能一下子想不到的方法去解决了。（对于这种题，只要有个印象，以后遇到类似题目就不会懵圈了。这题的意思很简单，就是让我们把矩阵。不可暴力模拟，先镜像，后水平翻转。❗❗核心思想/ 关键。

2024-03-14 16:12:20 704

原创【计算机视觉】目标跟踪| Meanshift均值漂移算法详细介绍|附代码

背景：Meanshift算法是Fukunaga于1975年提出的，其基本思想是利用概率密度的梯度爬升来寻找局部最优。到了1995年，YizongCheng针对离x越近的采样点对x周围的统计特性越有效，定义了一族核函数，并根据所有样本点的重要性不同，设定了一个权重系数，扩大了MeanShift的使用范围。啥是概率密度？？？

2024-03-14 15:55:56 1572

原创【计算机视觉】目标跟踪| 光流算法详细介绍|附代码

光流（optical flow）是空间运动物体在观察成像平面上的像素运动的瞬时速度。所谓光流就是瞬时速率，在时间间隔很小（比如视频的连续前后两帧之间）时，也等同于目标点的位移💭🤔所以也就是说，只要我们求出这个“速度”，也就是只要确定当前目标区域的位移，即可确定这个目标在下一帧中的位置（有时候也会说，根据上一帧和当前帧的信息，确定目标在当前帧中的位置）。——这也是生成式方法中逐次逼近搜索的体现，光流法的关键也就在此🌸光流法是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到。

2024-03-13 17:45:56 5701 10

原创【计算机视觉】目标跟踪任务概述和算法介绍

均值漂移算法(Mean Shift)、LK光流等。在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，与传统的盲搜不同，它利用相邻帧之间目标位置变化不大的特点，采用迭代逼近的方式提高算法的搜索速度生成式方法：生成式跟踪方法的核心思想是建模目标的外观，并尝试在后续帧中重新找到这个外观。它通常通过建立一个目标的外观模型，然后在新的帧中寻找与该模型最相似的区域。判别式方法（如相关滤波）：判别式方法是基于区分目标和背景的思想。它学习一个分类器或者滤波器来区分目标和周围的背景。

2024-03-11 21:47:05 3807 2

原创【Leetcode每日一刷】滑动窗口：209.长度最小的子数组

更新当前窗口中的数据情况，再拿去和题目所需的可行解进行比对，判断当前窗口内的情况是否可行！找到一个可行解&更新得到一个可行解后，对题目最终需要的最优答案进行更新！🪧 滑动窗口本质也是双指针的一种技巧，特别适用于。左右指针滑窗口，一前一后齐头进。注意下面框架中的6个关键点！，等会你会发现它们操作是完全。本题思路（依据算法框架）❗❗核心思想/ 关键。

2024-03-10 21:19:57 852

原创【Leetcode每日一刷】数组|双指针篇：977. 有序数组的平方、76. 最小覆盖子串（附滑动窗口法详解）

当有可能含负数的有序数组平方后，最大值只有可能位于数组两侧，整个数组呈一个凹函数，从两边向中间递减。但是这题的关键如上，也就是平方后数组由两边向中间递减，最大值只有可能位于两侧。由于这样的特性，利用。，每次循环，将左指针和右指针处的元素进行比较。更新当前窗口中的数据情况，再拿去和题目所需的可行解进行比对，判断当前窗口内的情况是否可行！双指针，从两边向中间探测，互相比较，逐渐挑出最大值，再到次最大值…——两者的情况进行比对，判断当前窗口中的情况是否可行。完全一样时，就可行，换句话说，就是不能直接把。

2024-03-09 12:49:34 906

原创【Leetcode每日一刷】数组|704. 二分查找、27. 移除元素

【易错】二分查找的重点就划分区间、逐渐缩小、两边夹，关于划分区间这题第二个代码我用的划分为[left,mid]和[mid+1,right]，为什么不是**[left,mid-1]和[mid,right]**呢？—因为会容易出现死循环使用和public:right : -1;【重点】二分法的关键是缩小区间，死循环发生的原因是某次循环没有缩小区间导致二分失败。【重点】此题right设置为的原因是array.length也有可能是问题答案【重点】将二分查找的判断条件写成。

2024-03-06 19:56:23 997

原创【QT C++实践】Qt 项目中一个界面动态处理多张数据库中的表|附源码

在之前那篇讲如何使用QT连接数据库时（)，做了一个简单的对数据库进行增删改查的界面(如下）。但是存在一个问题就是：这个界面只是对一张表进行操作，但是我们知道，一般数据库中都不止一张表，如果这个界面能够自由选择数据库中的表进行展示，和对其进行操作，岂不更好？接下来我们就讲一下，如何基于上篇基础的对数据库中的表进行显示和操作，升级为可以。

2024-03-06 17:25:49 1016

原创【Leetcode每日一刷】贪心算法| 45.跳跃游戏 II

这题还是比【55.跳跃游戏】难一些的。第一个版本只是说，求跳跃的范围，覆盖到了终点即可。这题则是，能保证覆盖范围到达终点，求的是最少跳几次，跳到终点。这题的话也是偏直觉，最好能一步到就好，一步到不了，两步能到吗？两步还到不了，三步呢？听起来是不是还挺简单的？但是实现起来，还是有一些需要考虑的。明白了大致思路，但是实现起来还是有问题，我们再来捋一下思路。

2024-03-05 21:46:52 950

原创 QT C++实践| 连接数据库的登录界面实现| 附源码

在登录界面连接数据库，调用中的创建数据库连接。在关闭界面的函数内，关闭数据库，释放资源：if (db.isOpen()) {db.close();// 然后，从连接池中移除该连接遍历数据库，将用户名、密码依次和数据库中的信息进行对比，若有一样，则可以进入主界面。💁🏻‍♀️使用 QSqlQuery 来执行一个查询，并使用循环来遍历结果集。

2024-03-05 17:31:13 923

原创【yolov8部署实战】VS2019+Onnxruntime环境部署yolov8-seg分割模型|含详细注释源码

YOLOv8-seg模型一共有两个输出:第一个输出：“output0”；其中116的前84个列与 YOLOv8目标检测模型输出定义一样，即cx,cy,w,h这4项再加80个类别的分数；后32列用于计算掩膜数据。第二个输出：“output1”；output0后32个字段与output1的数据做矩阵乘法后得到的结果，即为对应目标的掩膜数据。第二个输出：“output1”；output0后32个字段与output1的数据做矩阵乘法后得到的结果，即为对应目标的掩膜数据。

2024-03-03 13:56:25 2482 5

原创【yolov8部署实战】VS2019环境下使用Onnxruntime环境部署yolov8目标检测|含源码

部署yolo项目，是我这几个月以来做的事情，最近打算把这几个月试过的方法，踩过的坑，以博客的形式，分享一下。关于下面动态中讲到的如何用opencv部署，我在上一篇博客中已经详细讲到了：【yolov8部署实战】VS2019环境下使用C++和OpenCV环境部署yolo项目|含详细注释源码。这篇博客主要讲讲使用onnxruntime部署主要参考：https://github.com/Amyheart/yolov5v8-dnn-onnxruntime/tree/main如果是只想要onnxruntime部署

2024-03-02 18:34:12 2989 3

【Golang项目实战】手把手教你写一个备忘录程序-源码02

【Golang项目实战】手把手教你写一个备忘录程序-源码01

高等数学A：多元函数微分学及其应用重点知识思维导图（考前快速复习版）

opencv+cuda在c++环境下部署yolo推理结果总是0