本硕博都是搞机械的匠人，当然也想做一下交叉学科的东西，蹭一下人工智能的热点。虽然世界是个草台班子，但是来都来了，咱也要把这场戏演好。
记得之前网上爆料有位大学生发了很多水文，对，是交叉学科的，把CS的东西用到自己的专业上。由于出名了，论文就立马受到各大网友关注，离谱的是有个SSIM（FID？越小越好）指标本来是越大越好，上界是1，结果论文列出的结果大于1。
因此，水归水，打好基础还是必要的，毕竟磨刀不误砍柴工，读了博士在打工也不迟。
Pipeline、Framework、Structure、Architecture
Pipeline：指的是一系列数据处理步骤或任务的集合。在机器学习项目中，pipeline可能包括数据收集、清洗、特征提取和模型训练等步骤。Framework：指的是为解决一类特定问题而设计的预制结构或方法集合。Structure：深度学习模型的网络结构，即具体的网络结构。Architecture：比structure 更高一级，强调模型的整体设计，如整体拓扑结构。
Baseline 、Benchmark
Baseline：传统或已有的方法，作为新方法改进的参照。如果新方法在指标上超过baseline，就说明有进步。Benchmark：通常指一组标准数据集或者评价指标，用于测试和比较不同方法的性能。
Backbone、Neck 、Head
Backbone：特征提取主干，常见的有CNN、ResNet等，负责抽取原始数据中的关键信息。Neck：介于backbone和head之间的网络，一般指中间层，用于对来自backbone的输出进行降维或者调整。Head：指模型的输出层，对来自neck处理后的特征进行输出。对于分类任务，则head可能是一些系列全连接层，并输出最终分类结果。
其他
Warmup：在模型训练时前面几个epoch用小的学习率热身，有助于收敛和提升训练的稳定性。一般而言，先用小的学习率热身，然后增大学习率，最后学习率衰减。Bottleneck Layer：如ResNet中，对前一个输入先对通道数降维，然后恢复通道数与输入一致，这种类似瓶颈的结构，称为瓶颈层。Ground truth：在图像分类中， 真实的标签称为ground truth。
