众所周知
public 继承时，所有的基类成员的访问属性在派生类中不会改变。派生类中只能访问基类的 public 和 protected 成员，不能访问 private 成员；在外部派生类对象只能访问 public 的成员；protected 继承时，基类的 public 成员到派生类中变成 protected，其余成员的属性不变。派生类只能访问基类的 public 和 protected 成员；在类的外面，派生类无法访问基类的任何成员。但覆写抽象类（形状）的纯虚函数（求面积）时，想在派生类（三角形）的外面调用成员（求面积）。如果基类求面积的方法位于 protected 域，此时需要把覆写的成员移动到 public 域下面，这样好吗？还是说，采取某些手段，仍然保持覆写的成员在 protected 域下面？
如果看不懂本文提到的概念，请回去补C++基础。
反正跑数据也要等待，不如来写几篇博客，这也是我第一次参加这样类型的比赛，做一下相关经验的总结。在天池的2021广东工业智造创新大赛，智能算法赛：瓷砖表面瑕疵质检中，提供了基础的 json 数据和文件，这里介绍三种预处理方式：
COCO 数据集mask 数据生命不息，开坑不止。最近在开『目标检测』领域的坑，真坑。众所周知，Mask R-CNN 是领域内比较强大的方法。仿照Pytorch官方文档，企图搭建自己的模型，制作自己的 mask 数据。
在本科建模学优化的时候，老师说复杂情况下不可能求出目标函数的最优解，用优化解代替就可以了，当时我还信了。直到研究生『工程优化』学了填充函数法，才知道在『多决策变量、单目标函数』的复杂情况下，理论上是可以求出目标函数的最优值的。
而对于『多决策变量、多目标优化』的问题中，还是进化算法等方法较为实用。以遗传算法为例，直接一波种群撒到可行域中，这样会比传统方法便捷一些。
在很久之前，看过粒子群算法等相关的以概率收敛的优化算法。当时那个破教程写的又臭又长，丝毫没看懂。今日考试重温了一下，原来是这么简单。八点半考完的，闲的没事于是手动实现了粒子群算法。之后考虑在本文中添加遗传算法、模拟退火这两个主流的碰运气的优化算法。
这类算法被优化课程的老师嘲讽了一番，缺乏严格的推导证明和参数的解释，大多是以科学的方法去碰运气，在解空间内进行搜索。
自从学了『工程优化』这门课程，也意识到优化是一潭很深的水。只是简单的将几个目标线性加权优化，或优化完一个目标在优化另一个目标是很愚蠢的做法，亲身试验后的确发现这是最差的解法，解会出现不收敛、随机性、震荡等各种情况。如果在神经网络中恰好遇到了多任务学习的问题，且两个问题相互制约，那么可以考虑将多任务学习转换为多目标优化，融合成最终的一个loss函数，这会比线性加权好上很多。本论文发表在2018年的NIPS上，个人认为具有借鉴意义和开创性工作，所以记录于此。
这是我第一次开发如此大规模的程序，论文的作者也提供了算法的C语言还是C++版本的软件来？我记不清了。但对于我们来说，Metis只是图划分的上游任务，且不需要完整的Metis算法，只是需要它融合图的一部分，而不需要它的图划分阶段。下游任务必须要用python来处理，考虑到数据结构和数据类型对接的方便性，因此我们考虑使用python来复现Metis算法。还有一点，使用别人的软件，万一结果不好怎么办？万一自己想改算法怎么办？现存的库都是直接返回划分结果，但我们只想融合，自己开发还是灵活。