Markdown第一篇文章

Created2019-06-01|Updated2025-12-08

|Post Views:

[TOC]

介绍

这是第一次使用markdown来写文章

基本语法

*来表示强调，一颗 *斜体、两颗 ** 粗体、三颗 *** 粗斜体

块级引用使用> 来标识

或者使用ESC 下方的`来标识,块内引用三个点

1 2	这是块级引用这是块级引用

使用四个空格来表示块级引用
效果同上方

行内引用同样使用 ` 键，使用一个，效果如下：这是一段行内引用

文本样式修改

使用=和~可以改变文本样式，= 背景色 ==强调，~ 删除符号

上下标 2<sup>10</sup> 会变为为2¹⁰,H<sub>2<sub>O 会变为为H₂O

注释链接脚注图片

注释使用*[],这是一个注释

*[这是一个注释]: 悬停后现实此注释

使用超链接有三种方式内部链接, 格式

1	[内部链接](http://ahulearn.com)

外部链接, 格式

1 2	[外部连接][1] [1]: http://ahulearn.com

图片在的链接的基础上增加了一个’！’，同样存在内部引用，和外部引用。

脚注用来注明引用来源格式为[^n]

例如：markdown语法我主要从 csdn¹ 网站学习

简单的表格

姓名	学号	性别
：-：居中对其	：-左对齐	-：右对齐
小华	H6345	男
小云	B6782	女
小明	D21316	未知
小华	B314537	其他

自定义列表: 条目1; 条目2; 条目3

-[]计划任务：使用-[]标记

-[x]完成人物：使用-[x]标记

无序列表:注意-和文字间的空格

第一章
第一节
第二节
第二章
第一节

有序列表

项目1
项目2
项目3

csdn 博客系统使用markdown语法发布文章↩︎

Author: 神火不知灭

Link: http://blog.sunlingzhang.com/2019/06/01/default/Markdown%E7%AC%AC%E4%B8%80%E7%AF%87%E6%96%87%E7%AB%A0/

Copyright Notice: All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.

随笔学习笔记

Related Articles

基本数学公式语法(of MathJax)1 概述在markdown中输入数学公式需要LaTaX语法的支持。 ## 基本语法 ### 呈现位置 + 正文（inline）中的LaTeX公式用$...$定义 + 例句为：$\sun_{i=0}^N \int_{a}^{b} g(t,i)\text{d}t$ + 显示为：$\sum_{i=0}^N \int_{a}^{b} g(t,i)\text{d}t$ + 单独显示（display）的LaTeX公式用$$...$$定义，此时公式居中独立成块显示 + 例句为：$$\sum_{i=0}^N \int_{a}^{b} g(i,t)\text{d}t$$ + 显示为：$$\sum_{i=0}^N \int_{a}^{b} g(i,t)\text{d}t$$ + 下列描述语句中若非特别指出均省略$ 希腊字母显示命令显示命令 ...

Large-Scale Image Retrieval with Attentive Deep Local Features

注意力深层局部特征的大规模图像检索摘要提出了一种适合于大规模图像检索的局部特征描述器，称为Deep-local-feature。新的特征是基于卷积神经网络，它只在地标图像数据集上使用图像级注释进行训练。为了识别在语义上有用的图像检索局部特征，我们还提出了一种用于关键点选择的注意机制，该机制与描述符共享大部分网络层。该框架可用于图像检索，作为其他关键点检测器和描述符的替代品，实现更精确的特征匹配和几何匹配验证。我们的系统产生可信的分数拒绝误报(FP)，尤其是它的健壮性针对数据库中没有正确匹配的查询。为了评估所提出的描述符，我们引入了一个新的大规模数据集，被称为谷歌地标(GLD)数据集，包括数据库和查询搜索作为背景杂波，部分遮挡，多个地标、可变尺度的物体等DELF的成绩超过了全球和当地最先进的水平(SOTA)在大范围数据集中的描述符。可在以下网页找到项目代码：https://github.com/tensorflow/models/tree/master/research/delf。 1. 介绍大规模图像检索是计算机视觉中的一项基本任务，它直接关系到目标检测、视...

Unifying Deep Local and Global Features for Image Search

统一局部和全局特征进行图像搜索的深层(网络) 本文使用机翻，稍加润色，主要用于个人理解，不恰当之处请看客见谅。摘要图像检索是在图像数据库中搜索与查询图像相似的项的问题。为了解决这一问题，研究了两种主要的图像表示方法：全局图像特征和局部图像特征。在这项工作中，我们的主要贡献是将全局和局部特征统一到一个单一的深度模型中，从而实现精确的检索和高效的特征提取。我们将新模型称为DELG，代表了深层网络的本地和全局特性。我们利用最近特征学习工作的经验教训，提出了一个将全局特征的广义均值池和局部特征的注意选择相结合的模型。通过仔细平衡两部分之间的梯度流，整个网络可以端到端地学习——只需要图像级别的标签。我们还引入了一种基于自动编码器的局部特征降维技术，并将其集成到模型中，提高了训练效率和匹配性能。在重新修改的牛津和巴黎数据集上的实验表明，我们共同学习的基于ResNet-50的特征优于使用深层全局特征（大多数具有更重量级的主干）和那些进一步使用局部特征重新排序的结果。代码和模型将被发布。关键词：deep features，image retrieval，unified mod...

Designing Network Design Spaces

网络设计空间的设计摘要本文提出了一种新的网络设计范式。我们的目标是帮助提高对网络设计的理解，并发现在不同环境下普遍适用的设计原则。我们不再专注于设计单个的网络实例，而是设计了参数化网络总体的网络设计空间。整个过程类似于经典的人工网络设计，但提升到了设计空间层面。使用我们的方法，我们探索网络设计的结构方面，并得出一个低维的设计空间，由简单的，规则的网络组成，我们称之为RegNet。RegNet参数化的核心观点非常简单：良好网络的宽度和深度可以用量化的线性函数来解释。我们分析了RegNet的设计空间，得出了与当前网络设计实践不符的有趣发现。RegNet的设计空间提供了简单而快速的网络，可以很好地在各种不同的FLOP状态下工作。在类似的训练环境和FLOPs下，RegNet模型的性能优于流行的efficientnet模型，而在gpu上的速度高达5倍。介绍深卷积神经网络是视觉识别的引擎。在过去的几年里，更好的体系结构已经在广泛的视觉识别任务中取得了长足的进步。示例包括LeNet、AlexNet、VGG和ResNet。这一工作既提高了神经网络的有效性，也促进了我们对网络设...

Generative Adversarial Networks

Generative Adversarial Networks(GAN神经网络) [TOC] 摘要本文提出了一个新的基于对抗的网络框架，主要包含两个模型。一个是生成模型G，用于获取整个数据分布；另一个是判别模型D，用于判别数据是来自真实数据还是生成数据。生成模型尽可能让判别模型犯错。判别模型试图找到一个函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。介绍 GAN网络由两个模型组成：生成模型G和判别模型D。生成模型G的目标是生成尽可能接近真实数据的数据，判别模型D的目标是判别数据是来自真实数据还是生成数据。生成模型G通过一个随机过程生成数据，判别模型D试图判别数据是否来自真实数据。判别模型D有一个输出值，表示数据来自真实数据的概率。判别模型D有一个目标函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。生成模型G有一个目标函数，使得判别模型在生成模型的数据上得分较低，在真实的数据上得分较高。生成模型G和判别模型D交替更新，生成模型G的目标函数和判别模型D的目标函数相互对抗。方法公式 GAN...

希腊字母、拉丁字母、Markdown、拼写与读音中英对照表

大写小写中文名英文英语音标注音大写Markdown 小写Markdown 意义 Α α 阿尔法 Alpha /’ælfə/ 角度、系数、角加速度、第一个、电离度、转化率 Β β 贝塔/毕塔 Beta /’bi:tə/ 或 /’beɪtə/ 磁通系数、角度、系数 Γ γ 伽玛/甘玛 Gamma /’gæmə/ 电导系数（小写）、角度、比热容比 Δ δ 德尔塔/岱欧塔 Delta /’deltə/ 变化量、焓变、熵变、屈光度、变动、方程判别式（大写）、允许误差（小写，统计学） Ε ϵ　ε 伊普西隆/埃普斯棱 Epsilon /’epsɪlɒn/ 　对数之基数、介电常数 Ζ ζ 泽塔/Z塔 Zeta /’zi:tə/ 系数、方位角、阻抗、相对粘度、原子序数 Η η 伊塔/诶塔 Eta /’i:tə/ 迟滞系数；...