W_extend的博客

下面的是动态规划的一个模板，dp[i][j][result]表示从s的第i个元素到第个元素，结果为result的方案数。主要是第一层for循环从i到j的长度，长度从小到大，dp可以通过长度小的方案数，推出长度大的方案数。如果知道dp[0][2]和dp[3][5]，那么dp[0][5]也可以推出来。开始使用的是DFS，遍历所有可能的情况，发现超时！最近又要考试，勉励自己复习一些之前学过的！假如：x|y|z|v。

目标检测数据集构建指南目标概述： 当前项目旨在创建一个专注于灭火器的单一类别目标检测数据集。数据集搜集策略一，搜集目前已存在的数据集1.Kaggle数据集（kaggle）2.谷歌数据集（谷歌）3.Amazon数据集（Amazon）4.UCI机器学习资源库(UCI)5.微软数据集(微软)二，爬虫大法1.首先在网站上搜索图片：2.接着找到图片下面的链接，排除广告链接，需要找到图片网站的链接。3.点进去发现又是一个可以搜集图片的网站。循环往复可以搜集到很多可以爬取图

菜鸟平时不常用，但是看代码总结的一些常用函数。

听老师傅说，在python上线程作用不大，最好还是使用多进程。

（2）我们需要在这个目录下放需要执行的文件，并且再创建一个run_sh.sh文件，这个文件可以去执行我们需要的文件。镜像与容器的理解：镜像存在与磁盘中，类似于一个python文件。（1）首先运行镜像形成容器，容器会首先执行我们dockerfile中写到的run_sh.sh文件。注释：id表示CONTAINER ID，指的是运行中的容器。（3）查看构造的镜像，发现出现了一个新镜像。（3）使用这个文件，建立我们的镜像。（5）查看构造的容器，可以看见ID号。（4）使用我们的镜像构造容器。（2）查看目前的容器。

【代码】python解决图片内存过大。

MobileViTv3是一种为移动设备优化的轻量级视觉Transformer架构，它结合了卷积神经网络（CNN）和视觉Transformer（ViT）的特点，以创建适合移动视觉任务的轻量级模型。在ultralytics/nn创建vit文件夹，文件夹内放MobileViTv3以及需要的包。

yolov8_蒸馏使用不妨加个关注，后续还会加入Vit（vision transformer），替换loss等提升精度的方法。

本文在官方yolov8.2的基础上进行剪枝。

只需要把文件中.pt文件读取，重写一遍保存，就能和原来大小一致。经过仔细调查，发现是保存的模型中多了很多数据。

例如 2，二进制为‘0b（30个0）10’。反码就是把其中0变成1，1变成0。那就是 要使用（异或），因为0^1 = 1, 1^1 = 0，那么2的反码 = 2 ^ (32个1）= '0b(30个1）01’

解释: 数组 [2,1,3]、[2,3,1] 均可以通过从左向右遍历元素插入树中形成以下二叉搜索树。从左向右遍历一个数组，通过不断将其中的元素插入树中可以逐步地生成一棵二叉搜索树。对于这种找路径的题目，都是这个模板。经历两个for太长了，优化一下。，输出所有可能生成此树的数组。

把这些文件夹内存在的这类文件都删掉，带有mathtype.wll的也可以删掉。接着，信任中心，新任设置，受信任的位置。

2.num = num^0xffffffff ,其中有八个f。如果a = ’1‘*32，由于a的第0位是’1‘，那么a为负数。

加入10，4，3，6之后，再加入的数字num在（ num<=4)，那么肯定不行，在（4<num<6)，可以加在6的左子树，在(6<num<10)，可以加在6的右子树，在（10<num)，可以加在10的右子树。就是说 （num<=4)不行，（4<num)行。每次加入栈中的元素都是（栈顶元素）的左子树的值，（最后弹出的元素）是即将加入数字num的父节点，num是（最后弹出的元素）的右子树的值。（维护每次弹出元素的最大值）是新加入num底线，num必须大于这个值，否则不是二叉搜索树。维护每次弹出元素的最大值。

不考虑i==k和j==k的情况（毕竟如果相等，那么edge[i][j]任然等于w或者inf），现在i！=k，那么edge[i][j] = min(edge[i][j], edge[i][k] + edge[k][j])，取值为节点i到j的情况，和节点i到k到j的情况，这里我就简写，i-j 和 i-1-j。edge[i][j] = min(edge[i][j], edge[i][2] + edge[2][j])，这里面存在。的情况，只有这两个吗？如果i和j直接存在路径，那么edge[i][j] = w。

使用最小堆，每次弹出列表中最小花费的路径，利用steps避免走成一个环。发现我之前的问题，应该就是走进一个环中，导致数据增多，内存超了。那么dp【t】【i】 = min（dp【t】【i】，dp【t-1】【j】+cost【j】【i】），遍历所有路线。使用dp动态规划算法，设dp【t】【i】，表示转到第t站，从src到达i所需的最小花费数；理所当然的想用bfs，n=100肯定不会超时，谁知道题目针对，这次内存超了。开始准备用dfs深度搜索，发现n=100，dfs可能会超时，即使用了剪枝。

另一种是：从前往后考虑。rec代表的是当前dfs走过的节点，遍历到哪个节点就加进rec尾部，退出哪个dfs，就把当前节点弹出。一种是：从后往前考虑。如果这条路能到n-1节点，那么dfs返回一个rec列表，里面存路径。rec里面有路径，表明能走，如果是[]，说明没路。

本题使用扫描线的模板，首先把所有x坐标排序去重，放进列表X中。对于每一块，高=lines[i+1]-lines[i]，宽就等于在这一块中，每个矩阵的并。比如说图中，纵坐标在3-5之间，那么高度就是2，其中有两块矩阵并起来，计算并起来的宽度=80-10=70，高×宽就是这一块的面积。如果是1-6，它的左节点就是1-4，右节点就是5-6，我们发现从4到5，实际上差了20，显然不可行。其中需要注意的是，把X排完序，想要从坐标1开始计算，那在X最前面加一个-inf，保证排序从1开始。所有块的面积之和就是ans。

算法复杂度需要在O（n）附近，log10**8大概在18左右，nlogn应该超时了，不过python做这题，怎么尝试也会超时。接着改变数据结构，vis改编成字典会节省一部分内存，不过还不行。两个for循环，把i的j倍都设置成false。看了b站学习线性筛，相当于找到数学上的规律，剪枝。算法只能尽量精简，不断剪枝优化。