- 博客(28)
- 收藏
- 关注
RSS订阅
原创 十-二进制数的最少数目
1.题目 如果一个十进制数字不含任何前导零，且每一位上的数字不是 0 就是 1 ，那么该数字就是一个 十-二进制数 。例如，101 和 1100 都是 十-二进制数，而 112 和 3001 不是。 给你一个表示十进制整数的字符串 n ，返回和为 n 的 十-二进制数 的最少数目。 2.示例 输入：n = "32" 输出：3 解释：10 + 11 + 11 = 32 3.分析 3.1.回溯算法 1.返回的结果就是最大字符串中最大的数。 2.原因是，十进制数中的每一位只能由十-二进制中对应的那一位相加而
2021-08-31 11:14:40
396
原创 剑指 Offer II 083. 没有重复元素集合的全排列
1.题目 给定一个不含重复数字的整数数组 nums ，返回其 所有可能的全排列 。可以 按任意顺序 返回答案。 2.示例 输入：nums = [1,2,3] 输出：[[1,2,3],[1,3,2],[2,1,3],[2,3,1],[3,1,2],[3,2,1]] 3.分析 3.1.回溯算法 1.回溯模版：满足条件返回->for循环递归操作后续元素->选择->递归->撤销选择 4.题解 4.1python class Solution: def permute(self
2021-08-25 10:36:58
257
原创 面试题 08.04. 幂集
1.题目 幂集。编写一种方法，返回某集合的所有子集。集合中不包含重复的元素。 说明：解集不能包含重复的子集。 2.示例 输入： nums = [1,2,3] 输出： [ [3], [1], [2], [1,2,3], [1,3], [2,3], [1,2], [] ] 3.分析 3.1.dfs回溯算法 1.输入0,从0-n遍历，遍历到哪个数就是找出包含这个数以及之后所有数的幂集。 2.即遍历到0就把0加进去，找剩余所有数的幂集。 3.2.找规律，递推公式 1.输入
2021-06-25 10:51:10
428
原创 找出所有子集的异或总和再求和
1.题目 一个数组的 异或总和 定义为数组中所有元素按位 XOR 的结果；如果数组为 空 ，则异或总和为 0 。 例如，数组 [2,5,6] 的 异或总和 为 2 XOR 5 XOR 6 = 1 。 给你一个数组 nums ，请你求出 nums 中每个 子集 的 异或总和 ，计算并返回这些值相加之 和 。 注意：在本题中，元素 相同 的不同子集应 多次 计数。 数组 a 是数组 b 的一个 子集 的前提条件是：从 b 删除几个（也可能不删除）元素能够得到 a 。 2.示例 输入：nums = [1,3]
2021-06-24 15:40:31
780
原创 哪种连续子字符串更长
1.题目 给你一个二进制字符串 s 。如果字符串中由 1 组成的最长连续子字符串严格长于由0组成的最长连续子字符串，返回 true ；否则，返回 false 。 例如，s = “110100010” 中，由 1 组成的最长连续子字符串的长度是 2 ，由 0 组成的最长连续子字符串的长度是 3 。 注意，如果字符串中不存在 0 ，此时认为由 0 组成的最长连续子字符串的长度是 0 。字符串中不存在 1 的情况也适用此规则 2.示例 输入：s = "1101" 输出：true 解释： 由 1 组成的最长连续
2021-06-22 14:53:14
173
原创 雪糕的最大数量
题目 夏日炎炎，小男孩 Tony 想买一些雪糕消消暑。 商店中新到 n 支雪糕，用长度为 n 的数组 costs 表示雪糕的定价，其中 costs[i] 表示第 i 支雪糕的现金价格。Tony 一共有 coins 现金可以用于消费，他想要买尽可能多的雪糕。 给你价格数组 costs 和现金量 coins ，请你计算并返回 Tony 用 coins 现金能够买到的雪糕的 最大数量 。 注意：Tony 可以按任意顺序购买雪糕。 示例 输入：costs = [1,3,2,4,1], coins = 7 输出：
2021-06-22 10:07:41
228
原创 conda操作
1.创建虚拟环境 conda create -n torch python=3.6 2.查看虚拟环境 conda env list 3.激活虚拟环境 conda activate torch 4.退出虚拟环境 conda deactivate 5.删除虚拟环境 conda env remove -n torch 6.复制现有环境 conda create -n target --clone source ...
2020-11-09 23:18:33
186
原创 docker操作
下载docker镜像 docker pull [image_name]:[tag] 验证本地是否存在镜像 docker images 创建镜像 docker run -it ubuntu /bin/bash 删除镜像 docker rmi [image]
2020-09-16 09:49:30
111
原创 Neo4j-基本操作总结
查询某标签节点的个数 MATCH (n:标签名) RETURN count(n) 查询标签节点的所有属性 MATCH (n:Aircraft) RETURN distinct keys(n)
2020-08-06 16:26:31
430
原创 Neo4j-apoc操作总结
导出csv文件 方式一举例（query方式）： 导出指定标签： CALL apoc.export.csv.query('MATCH (n:transportation) RETURN n', "trans.csv", {}) 导出指定关系： CALL apoc.export.csv.query('MATCH ()-[r:cityHaslevel]->() RETURN r', "cityHaslevel.csv", {}) 导出指定三元组： CALL apoc.export.csv.query(
2020-08-05 20:20:11
1454
原创 激活函数和Loss的梯度
激活函数及其梯度 1.1Sigmoid函数及图像 1.2Sigmoid导数 1.3Sigmoid使用 2.1Tanh函数及图像 2.2Tanh导数 2.3Tanh使用 3.1ReLU函数及图像 3.2ReLU导数 3.3ReLU使用 Loss及其梯度 1.1MSE（Mean Squared Error） 1.2MSE导数 ...
2020-06-20 17:51:14
280
原创 返回排序后各元素对应的原来的索引
用途 在处理模型数据集时，需要根据模型的输入要求，调整现有数据集的格式。一般需要依次进行数据的读取，分句和分词，建立词典，得到word_to_index和index_to_word用于后续单词和索引的快速获取，将词替换成表示该词在字典中对应的index因为模型的输入不是词而是代表词的数。最后根据句子的长度对句子进行排序，这里就用到了下面的方法。 argsort() argsort()函数只能对列表进行排序，参数为一个列表，返回值也是一个列表，返回的是按从小到大的顺序排好序后，当前位置的元素在原列表中的索引号
2020-05-29 11:26:34
1164
原创 Bert入门学习过程记录
学习记录0 学习情况介绍1 知识点扫盲1.1 Attention1.2 Transformer2 相关模型2.1 语言模型2.2 seq2seq2.3 Attention seq2seq2.4 Transformer2.5 Bert3 使用Bert预训练模型3.1 相关资源2.2 应用举例 0 学习情况介绍 本文记录的是一个新手学习bert的过程，本人只有一些基础模型和基础模型代码编写的基础，算是一个深度学习的freshman，如果你也和我类似可以参考我的学习过程，这样也许会让你学的更顺畅一点，如果不是新手
2020-05-15 13:58:21
2481
转载 jupyter notebook切换虚拟环境
原文链接 https://blog.csdn.net/weixin_41813895/article/details/84750990
2020-05-07 12:36:36
189
原创 pytorch库下载
pytorch下载 1.下载cuda 2.pytorch官网pytorch.org查找相应版本的下载命名。 例如： conda install pytorch==1.0.0 torchvision==0.2.1 cuda90 -c pytorch torchtext下载 1.安装命令： pip install https://github.com/pytorch/text/archive/mas...
2020-05-07 12:33:13
1566
原创 实验结果可复现--seed
为了保证实验结果可以复现，我们经常会把各种random seed固定在某一个值. 运行下面的代码后，并不是指下面的所有随机数都相等，而实随机数据在固定位置上的已经确定，即下次在运行下面的代码，则相同位置上初始化的随机数与之前相同。 random.seed(10) np.random.seed(10) torch.manual_seed(10) if torch.cuda.is_available(...
2020-05-05 15:38:54
850
转载 world2vec算法skip-gram
转载 https://blog.csdn.net/weixin_41843918/article/details/90312339
2020-05-05 13:40:12
282
1
转载 余弦相似度和范数
余弦相似度 余弦距离，也称为余弦相似度，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。 余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，这就叫"余弦相似性"。 公式推导如下：a,b两个二维向量在坐标系中的表示如下。 通过余弦定理公式推导出余弦相似度公式。 范数 上图结果中字母的||*||符号是范数的表示符号。 范数（Norm）是一种关于向量的函数，是向量“长...
2020-05-05 12:50:50
1543
原创 anaconda卸载后重装的悲剧
在经历了无比绝望的一天后，我终于在意志消磨完的最后一刻完成了成功完成了anaconda的卸载重装，这一天过的可以说是非常绝望了。上午还在开开心心的准备下载pytorch库进行学习，结果在更新依赖库的时候没有使用虚拟环境结果导致anaconda崩了，然后我就不知天高地厚的把anaconda卸载了，当我第一遍重装失败后，我就知道事情不简单，然后我博客知乎上一顿搜结果看到很多人都踩了坑，并且没有人能够给...
2020-04-30 21:04:10
30053
11
转载 梯度消失和梯度爆炸
原文链接：https://blog.csdn.net/junjun150013652/article/details/81274958 https://www.jianshu.com/p/3f35e555d5ba 1.为什么使用梯度下降来优化神经网络参数？ 反向传播（用于优化神网参数）：根据损失函数计算的误差通过反向传播的方式，指导深度网络参数的更新优化。 采取反向传播的原因：首先，深层网络由许多...
2020-04-27 12:46:24
468
原创 tensorflow实战 resnet笔记
resnet简介 代码难点记录 1.collections.namedtuple()函数的作用是创建一个自定义的元组子类。可以根据你想让该类元组表示怎样的含义来定义。 比如你想创建一个坐标点元组子类，可以通过语句pt = collections.namedtuple('point', ['x', 'y'])来创建该坐标点元组类。如果你想要获取一个该元组类的对象，点A，可以通过语句A = pt(2,...
2020-01-09 11:32:04
459
原创 tensorflow实战 Googlenet笔记
Googlenet简介 代码难点记录 完整代码 # coding:UTF-8 import tensorflow as tf from datetime import datetime import math import time slim = tf.contrib.slim trunc_normal = lambda stddev: tf.truncated_normal_initializ...
2020-01-07 13:39:45
560
原创 tensorflow实战 Alexnet 笔记
Alexnet简介 Alexnet的优化手段： 1.使用ReLU作为激活函数,并验证其效果在较深的网络要优于Sigmoid. 2.使用LRN层，对局部神经元的活动创建竞争机制，使得其中响应比较大的值变的相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。（LRN层的原理是对前一层的每一个输出进行一定的运算再输入给下一层，这个运算就是让每一个输出除以两侧相邻的不同过滤器相同位置的几个输出的和...
2020-01-02 15:22:26
236
原创 LRN和feature map
LRN层的作用 局部归一化：被激活的神经元抑制相邻神经元，使用LRN增加了泛化能力（使输出中响应比较大的值变得相对更大，并抑制其他响应较小的神经元）。 tensorflow中的lrn函数 函数原型如下： def lrn(input, depth_radius=None, bias=None, alpha=None, beta=None, name=None): 计算公式如下： i：代表通道，...
2020-01-02 15:06:06
260
原创 L2 正则化
概述 在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在training data上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不工作。 为什么将数据集分为三部分：训练集，开发集，测试集。 开发集就是用来避免过拟合的...
2020-01-02 10:37:03
12387
原创 Tensorflow实战 CNN实现minst分析 总结及难点记录
总结 1.算法过程 加载数据→初始化网络→定义误差函数→反向传播更新参数→重复该过程 2.经过各层后图片大小的变化。 难点记录 1.去掉输出中的警告信息。 import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 2.tf.InteractiveSession()是一种交互式的session方式，它让自己成为了默认的session，也就是说用户在不需...
2019-12-26 16:05:01
661
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人