grizzly_whisper的博客

【代码】逆波兰式求值。

栈：先进后出队列：先进先出。

时间复杂度是O(n)。在。

char[ ] s长度：s.length取元素:直接用下标s[0]

满足要求的四元组集合为： [ [-1, 0, 0, 1], [-2, -1, 1, 2], [-2, 0, 0, 2] ]遍历magazine，数组++，遍历ransomNote，数组--，若数组中有元素＜0，false，否则，true。给你一个包含 n 个整数的数组 nums，判断 nums 中是否存在三个元素 a，b，c ，使得 a + b + c = 0？方法：方法和三数之和一样，只不过再加了一层循环，第一层循环，对a去重，第二次循环，对b去重，将a+b看成一个整体，变为三数之和。

torchvision.transforms:常用的图像预处理方法。

•drop_last：当样本数不能被batchsize整除时，是否舍弃最后一批数据。•Batchsize：批大小，决定一个Epoch有多少个Iteration。•Iteration：一批样本输入到模型中，称之为一个Iteration。•dataset: Dataset类，决定数据从哪读取及如何读取。•Epoch:所有训练样本都已输入到模型中，称为一个Epoch。•num_works:是否多进程读取数据。•shuffle:每个epoch是否乱序。功能：构建可迭代的数据装载器。•batchsize:批大小。

用于实现点云数据的转换，点云数据表示为一组三维点，在点云数据上执行一种类似于自注意力机制的操作。点云数据的转换块，其中通过自注意力机制（类似于Transformer中的注意力机制）来对点云数据进行重要性加权聚合，同时考虑了位置编码。接受参数：dim：输入和输出特征维数k：计算自注意力的近邻数。

前面两个函数和train.py中的函数时一样，一个用来获取参数，一个用来写日志。

它包含了卷积层、批量归一化、激活函数和Dropout，用于在特征空间中引入非线性性质和防止过拟合，以提高分割的性能。分割预测和边缘预测是模型的主要输出，用于预测点云中每个点的类别和边缘信息。这些预测是通过卷积神经网络层生成的，以捕捉数据中的局部和全局特征。模块，对分割特征和边缘预测进行特征匹配和汇聚，有助于提高分割预测的性能。这是为了进一步提高模型的分割准确性。批量归一化：通过标准化特征，有助于提高训练的稳定性，加速收敛，并提高模型的泛化能力。是分割细化预测，通常经过更细致的处理，以提高分割预测的质量。

它的主要思想是对每个批量的输入进行归一化，以使神经网络的每一层保持稳定的统计分布。总之，批量归一化是一种强大的正则化和优化技术，对于训练深度神经网络非常有用，能够提高模型的性能和训练速度，同时增强模型的稳定性。它已经成为深度学习中的标准技术之一，经常被应用于各种类型的神经网络。提高训练速度：通过标准化输入数据，批量归一化有助于加速训练，因为它减少了梯度下降的收敛时间，允许使用更大的学习率。对每个批量输入进行均值和方差的计算：对于每个批量中的数据，计算其均值和方差，通常是在每个通道上进行的。

平均交并比（IoU，Intersection over Union）和 Dice 系数都是用于评估图像分割或物体检测任务性能的常用指标。平均交并比是一种用于度量分割任务准确性的指标。它是通过测量模型预测的分割结果与实际标记的重叠程度来计算的。具体计算公式为：IoU = (交集区域的面积) / (并集区域的面积)IoU的取值范围是0到1，表示预测分割与实际标记的重叠程度。一个高IoU值通常表示模型预测的分割结果与真实分割结果相匹配，而较低的IoU值表示预测与真实结果之间的差异较大。

使用的是“argparse”模块来解析命令行参数，并返回一个配置（configuration）对象通过命令行参数来配置一个PyTorch Point Cloud Semantic Segmentation的任务，其中--config参数用于指定配置文件的路径，'opts'参数用于提供额外的配置选项，最终返回一个包含所有配置信息的配置对象。

C/C++机试练习