力扣HOT100-最小覆盖子串 优化：设i,j两个下标，且i< j。如果我们已经找到了以i为开头的子串，且i和j之间的元素不影响子串，那么我们就可以直接跳过之间的元素，减少重复。暴力解法：对每个元素都分别遍历，以它为开头，可以满足的子串长度。
力扣HOT100-无重复的最长子串 此时，记录下窗口的长度，然后左指针向右移动，每次移动都移除集合中当前指向的字符。直至右指针当前指向的字符也被移除。如果右指针指向的字符，不在集合里，则将该字符添加进集合中，并且右指针向右移动。通过一个集合，维护当前窗口内出现的字符。直至右指针指向的字符，已经在集合当中了。首先，左指针固定在开头，然后，右指针向右移动，双指针维护一个窗口，
力扣HOT100-接雨水 这种方法的时间复杂度 ：遍历每个列是O(n)，对于每个列去寻找它左右两边最高的列，时间复杂度也是O(n)，因此累计后就是O（n*n）。我们可以维两个数组，分别记录当前位置左边的最高列的高度和右边最高列的高度，这是我们就省去了对每个列的单独寻找。最简单的就是，对于每个列，我们都去找它左右两边最高的列，这样我们就能根据下面的公式，计算出当前列能存储的雨水了。首先思考，暴力解法需要怎么做？
腾讯云Linux安装Docker 系统需要64位版本的CentOS 7和CentOS 8及更高版本。满足要求后，按照下面的顺序，执行指令就可以顺利安装啦。要求Linux内核版本不低于3.10。4.启动Docker守护进程。2.按照 EPEL 仓库。5.查看Docker信息。服务器配置为2核2G。1.更新 yum 源。3.安装Docker。
力扣HOT100-三数之和 因此，我们可以考虑对数组从大到小进行排序，这样我们仅需遍历固定元素的右边元素即可。优化:这样会导致重复遍历，例如对于A元素，找到了B和C。那么对于B元素时，同样还会再找一遍A和C，造成了重复。先固定一个数，在寻找两数之和。
力扣HOT100-盛最多水的容器 当右边的线高度小于其左边的线时，遍历这条线是无意义的，因为它最大的容量一定小于其左边的最大容量。所以我们要进行过滤。最容易想到的暴力解法就是从左边开始，对于每条线，都遍历其右边每条线，计算对应的容量。而对每条线的右边线进行遍历时，如果左边的线小于右边的线，那么这种遍历也是无意义的。所以我们可以使用左右双指针，跳过无意义的重复。显然，这会出现很多重复计算。
力扣HOT100-最长连续序列 常规的暴力解法是 对于数组中的每个元素x，都去检查数组中是否存在x+1,x+2···以及x-1，x-2···x+2···是否存在数组当中。而且，显然区间长度一定小于x为起点的区间。即对于任意元素y，如果y-1存在于数组中，则跳过该元素。那么假设数组中存在x+1，那么当我们检查x+1时，需要。只有y-1不存在于数组中的y才有可能是最长区间的起点。所以我们可以用哈希表对这类元素进行跳过。
力扣Hot100-两数之和 判断访问到当前元素nums[i]时，是否已经出现了target-nums[i]。如果出现了，则说明哈希表中存在这个元素，那么直接返回两个元素对应的下标即可。如果没有，则记录当前元素对应的下标，然后继续访问。维护一个哈希表，记录每个元素出现的位置。
torch检测不到gpu，无法使用cuda 一开始以为是cuda的版本不对，就开始不断的实验各种版本，后来发现可能是使用清华源下载时自动下载的cpu版本。查看torch版本的python命令，用pytorch官网自带的源下载。，发现输出的确为cpu版本。torch无法使用cuda。
conda虚拟环境报错EnvironmentLocationNotFound: Not a conda environment EnvironmentLocationNotFound: Not a conda environment: C:\Users\鏇归┌.conda\envs\sems。修改虚拟环境的默认安装环境即可。参考教程：https://zhuanlan.zhihu.com/p/687301312。新建了一个环境，在使用该虚拟环境时，出现该错误。注意：之前创建的环境仍然正常使用。，发现之前创建的环境均在D盘下的某个全英文目录中。上网查找资料，初步推断是因为本人电脑的用户名是。，导致读取环境路径时出错。
Knowledge Graphs: Opportunities and Challenges论文小白综述笔记|KG-知识图谱|LLM-大模型 将KG作为辅助信息，利用user和item的网络去学习item-user、item-item、user-user的联系。本文主要讲述了知识图谱的主要应用，以及各项技术和面临的挑战。传统问答系统的劣势：从大量的非结构化数据中过滤，效率较低。时序知识图谱，考虑时间信息（时间戳）,但是效率会变低。从不同的知识图谱中获取知识，融入到一个知识图谱中。借助知识图谱对文档进行实体和关系的表示。基于现有的知识，推理出新的知识。将知识图谱映射到低维空间。对知识图谱进行建模和构造。补全知识图谱中缺失的关系。
Unifying Large Language Models and Knowledge Graphs: A Roadmap综述笔记-入门-知识图谱KG-大模型LLM LLMs，例如chatGPT和GPT4，由于其涌现能力和泛化性，对自然语言理解和人工智能领域产生了新的冲击。然而，LLMs是一个黑箱模型，往往缺乏捕获和获得事实知识。相反，知识图谱，例如维基百科等，是有结构模型。存储着丰富的事实知识。KGs可以通过提供额外的知识去增强大语言模型的推理和解释性。同时，知识图谱也很难去自然构造和进化，对于现有的知识图谱方法来说，生成新的事实和表示未知数据是一个挑战。因此，统一LLMs和KG，同时利用他们的优点是一种补充。在这篇文章中，我们提出了统一LLMs和KG的路线图。
深度强化学习王树森第二章-蒙特卡洛方法 而在期望中,各个样本点出现的概率是服从某一个概率分布的,因此我们对样本点的采样也应当服从这一分布,这样才能更加逼近真实期望值.在上述代码中,使用了一个更新均值的公式,这样我们就无需同时记录所有的样本点值,可以直接更新,大大节省了存储空间.的骰子,如果无论怎么投掷,得到的点数都是3,显然其投掷1万次后,平均每次掷出的点数为3,也就是。个样本点,计算每个样本的函数值,求平均,再乘以2,就完成了对定积分的近似.的取值就有{1,2,3,4,5,6}.是有限的,离散的集合,那么就称为。
关注
