推荐视频：

高并发技术之数据库连接池设计与实现：

几天不多说，直接来点实用的，其实，在 C++11 中，可以使用

单例模式：确保唯一实例

单例模式是一种创建型设计模式，它确保一个类只有一个实例，并提供一个全局访问点。 它是最简单和最常用的设计模式之一，本文介绍C语言及C++实现的3种单例模式代码。

根据C++/golang项目在对象设计需要，选择合适的设计模式。

一个单例模式（Singleton Pattern）的实现，使用了 C++11 的局部静态变量特性来确保线程安全。这段代码已经是单例模式的标准实现之一，不过有几个小问题和可以优化的地方。

本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发学习内容尽在

前两篇文章分别介绍了卷积层和池化层，卷积和池化是卷积神经网络必备的两大基础。本文我们将介绍一个早期用来识别手写数字图像的卷积神经网络：LeNet[1]。LeNet名字来源于论文的第一作者Yann LeCun。1989年，LeNet使用卷积神经网络和梯度下降法，使得手写数字识别达到当时领先水平。这个奠基性的工作第一次将卷积神经网络推上历史舞台，为世人所知。由于LeNet的出色表现，在很多ATM取款机上，LeNet被用来识别数字字符。

本文基于PyTorch和TensorFlow 2的代码已经放在了我的GitHub上：

在众多深度学习框架中，比如PyTorch、TensorFlow、MNN、Caffie等，PyTorch比较吃硬件性能，尤其在GPU显卡这块区分度非常大。

图卷积神经网络（Graph Convolutional Networks，简称GCN）是一种专门用于处理图数据的神经网络架构。它适用于各种基于图结构的数据分析和机器学习任务，如节点分类、图分类、链接预测等。GCN的核心思想是通过在图结构上进行卷积操作来学习节点的有效表示（embedding）。

晓查 发自 凹非寺
量子位 报道 | 公众号 QbitAI

你能看出下面两张图有什么区别吗？

MeshCNN引入了网格池化操作，使我们能够将cnn应用到三维模型中。

将机器学习应用于3D数据并不像应用于图像那样简单。3D数据有很多表示形式，但选择决定了您可以使用哪种学习策略。在本文中，我将介绍一个特别有趣的策略(至少对我来说是)，叫做MeshCNN:一个有优势的网络。本文描述了一个用于处理3D模型的分类和分割任务的通用框架。也许它最有趣的特性是它的网格池化(mesh pooling)操作，它使我们能够在多个尺度上组合一个网格的特征(类似于视觉CNN)。这是一种学习操作，它逐渐将模型缩减到对给定任务提供最多信息的边缘。MeshCNN 结合了每个流行 3D 表示的许多最佳属性。 然而，在我们详细介绍之前，让我们通过对 3D 表示的简要回顾来了解这些属性是什么。