- 博客(112)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 字节飞书-测开日常实习-部分手撕代码题
之前的文章提到了一道高频题：最长不重复的字串，用到动态窗口。解法就在之前的文章。这篇文章从牛客上找了一些手撕题，在这里记录分享一下。
2024-09-17 16:44:51
304
原创 【中等】机试-滑动窗口（双指针）-例：无重复字符的最长子串
如上图，核心思想就是满足条件的话，让黑色指针右移动；当黑色指针无法移动时，白色指针移动，白指针移动后如果黑色能移动就移动黑色。（0914学习了滑动窗口概念和set用法后才做出来了，需要再练），注意其中的set用法。同类题，只不过字符串换成了数组，上面一道能做出来这道题也能做出来。同时，为了满足这种关系，需要用到set数据结构（不可有重复元素）ans.count()//检查某个元素是否在set里，1在0不在。题目链接在开头，做为测开面试常见手撕题，必须要会做。字节飞书面经里的高频题，没做出来，需要好好复习。
2024-09-15 15:51:03
272
原创 【中等】保研/考研408机试-二分查找（模板题）
二分查找就是在一个有序数组中查找某个值，以首端尾端的中点mid查找对比，mid与要查找的数进行对比，看落在哪个区间，在那个区间重新得到首端和尾端，进而得到新的mid值。
2024-09-07 20:25:16
136
原创 蔚来汽车-测开日常实习-部分手撕代码题
以上题目均来自牛客，大部分是蔚来测开的日常实习的面经题，可以看到有难有易，有适合python写的、有适合java写的、也有适合c++写的。题难不难感觉纯看脸……祝大家好运。
2024-09-06 16:27:09
738
原创 软件测试-Selenium+python自动化测试
会用到谷歌浏览器Chrome测试，需要下载一个Chromedriver（）对应自己的浏览器版本号选择。
2024-08-27 21:03:41
1395
原创 【中等】保研/考研408机试-动态规划1（01背包、完全背包、多重背包）
多重背包模板dp[j]=max(dp[j-v[i]]+w[i],dp[j]) //核心思路代码（一维数组版）dp[i][j]=max(dp[i-1][j], dp[i-1][j-v[i]]+w[i])//二维数字版。
2024-05-06 21:27:08
589
原创 【入门】保研/考研408机试-基本知识点（输入/出、基本数学、字符串）
练习笔记记录基于和每篇会贴上几个机试原题和我找到题（leetcode、洛谷等）及我的解题思路。（立个flag至少一周一更）这些是比较基础容易忘的，适合小白入手 ，设数组外面去。
2024-03-16 18:39:32
1191
原创 【中等】保研/考研408机试-二叉树相关
二叉树的前序、中序、后序遍历的定义： 前序遍历：对任一子树，先访问根，然后遍历其左子树，最后遍历其右子树；中序遍历：对任一子树，先遍历其左子树，然后访问根，最后遍历其右子树；后序遍历：对任一子树，先遍历其左子树，然后遍历其右子树，最后访问根。二叉树中的结点名称以大写字母表示：A，B，C....最多26个结点。可能有多组测试数据，对于每组数据， 输出将输入字符串建立二叉树后中序遍历的序列，每个字符后面都有一个空格。输入样例可能有多组，对于每组测试样例， 输出一行，为后序遍历的字符串。，长度不超过100。
2024-03-15 17:13:54
1221
原创 如何将图片（matlab、python）无损放入word论文
许多论文对插图有要求，直接插入png、jpg一般是不行的，这是一篇顶刊文章（pdf）的插图，放大2400%后依旧清晰，搜罗了网上的方法，总结了一下如何将图片无损放入论文中。这里主要讨论的是数据生成的图表，像非图表的插图可以参考下面的链接用visio处理后。关于word的使用，office和wps我感觉功能都差不多，看个人喜好选择，以下主要以wps演示。
2023-12-22 10:54:46
2888
原创 Vscode配置C#编程环境（win10）
在搜索框中搜索并安装C#、C# Extensions、C/C++三个插件即可。至此，准备工作完毕，可以进行代码的运行和调试，样例代码便为刚才运行时生成的。如果缺少.bin或.bin文件夹内容不全，在终端中输入。官网如下，下载完成后双击打开一路走到底就行。，bin文件夹中即有出现一些正确的文件。创建或打开一个文件夹后要调出终端。可以点击左上角，点击工具栏中。进入命令行窗口，窗口中输入。软件显示安装好后，电脑按。
2023-10-06 18:27:00
4983
原创 如何导出论文高清图片
将论文拖进ps，点击图像，选择想找的图片。可以选择jpg格式，100%品质导出。打开ps（我是ps2021）左上角文件-导出-导出为。
2023-09-20 18:00:00
680
原创 第G2周：人脸图像生成（DCGAN）
所以在整个训练过程中，生成网络G的目标是生成可以以假乱真的图像G(z)，当判别网络D无法区分，即D(G(z))=0.5时，便得到了一个生成网络G用来生成图像扩充数据集。如图2所示，DCGAN 模型主要包括了一个生成网络 G 和一个判别网络 D，生成网络 G 负责生成图像，它接受一个随机的噪声z，通过该噪声生成图像，将生成的图像记为G(z)，判别网络D负责判别一张图像是否为真实的，它的输入是x，代表一张图像，输出D(x)表示x为真实图像的概率。]内部限免文章（版权归 *K同学啊* 所有）
2023-08-14 16:47:22
376
原创 第G1周：生成对抗网络（GAN）入门
生成器和判别器交替运行，相互博弈，各自的能力都得到升。首先第一代生成模型1G的输入是随机噪声z，然后生成模型会生成一张初级照片，训练一代判别模型1D另其进行二分类操作，将生成的图片判别为0，而真实图片判别为1；为了欺瞒一代鉴别器，于是一代生成模型开始优化，然后它进阶成了二代，当它生成的数据成功欺瞒1D时，鉴别模型也会优化更新，进而升级为2D，按照同样的过程也会不断更新出N代的G和D。生成器的本质是一个使用生成式方法的模型，它对数据的分布假设和分布参数进行学习，然后根据学习到的模型重新采样出新的样本。
2023-08-14 09:15:36
1979
原创 NLP实战9：Transformer实战-单词预测
cuda# 定义编码器层# 定义编码器，pytorch将Transformer编码器进行了打包，这里直接调用即可# 初始化权重"""Arguments:src : Tensor, 形状为 [seq_len, batch_size]src_mask: Tensor, 形状为 [seq_len, seq_len]Returns:输出的 Tensor, 形状为 [seq_len, batch_size, ntoken]"""# 生成位置编码的位置张量# 计算位置编码的除数项。
2023-08-01 10:50:54
4066
1
原创 NLP实战8：图解 Transformer笔记
🍨 本文为[🔗]内部限免文章（版权归 *K同学啊* 所有）🍖 作者：[Transformer整体结构图，与seq2seq模型类似，Transformer模型结构中的左半部分为编码器（encoder），右半部分为解码器（decoder），接下来拆解Transformer。
2023-07-23 14:35:00
667
原创 NLP实战7：seq2seq翻译实战-Pytorch复现
🍨 本文为[🔗]内部限免文章（版权归 *K同学啊* 所有）🍖 作者：[📌 本周任务：●请根据N5、N6周内容，为解码器添加上注意力机制。
2023-07-10 16:08:04
560
原创 NLP实战6：seq2seq翻译实战-Pytorch复现-小白版
🍨 本文为[🔗]内部限免文章（版权归 *K同学啊* 所有）🍖 作者：[📌 本周任务：●结合训练中N5周的内容理解本文代码数据集：eng-fra.txt。
2023-07-05 18:49:38
1336
原创 NLP学习：seq2seq详解
总结起来，这篇文章介绍了seq2seq模型的原理和应用。seq2seq模型是一种常见的NLP模型结构，用于处理序列到序列的任务，如机器翻译和文本摘要。它由编码器和解码器组成，其中编码器将输入序列转化为一个上下文向量，解码器根据上下文向量生成输出序列。基于RNN的seq2seq模型使用循环神经网络来处理输入序列和输出序列，其中每个时间步的输入和输出都通过RNN进行处理。然而，这种模型在处理长文本序列时存在困难，因为RNN很难捕捉到长距离的依赖关系。为了解决这个问题，引入了注意力机制。
2023-06-27 13:13:21
903
原创 NLP实战：使用Word2vec实现文本分类
model.train() # 切换为训练模式optimizer.zero_grad() # grad属性归零loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值loss.backward() # 反向传播torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪optimizer.step() # 每一步自动更新# 记录acc与loss。
2023-06-17 20:35:59
4231
3
原创 NLP实战：调用Gensim库训练Word2Vec模型
🍨 本文为[🔗]内部限免文章（版权归 *K同学啊* 所有）🍖 作者：[📌 本周任务：●阅读NLP基础知识里Word2vec详解一文，了解并学习Word2vec相关知识●学习本文内容，在下一篇文章中，将使用Word2vec辅助完成文本分类任务是一本电子书，txt格式。
2023-06-06 14:42:09
1276
原创 NLP实战：中文文本分类-Pytorch实现
model.train() # 切换为训练模式optimizer.zero_grad() # grad属性归零loss = criterion(predicted_label, label) # 计算网络输出和真实值之间的差距，label为真实值loss.backward() # 反向传播torch.nn.utils.clip_grad_norm_(model.parameters(), 0.1) # 梯度裁剪optimizer.step() # 每一步自动更新# 记录acc与loss。
2023-05-31 09:45:14
6435
42
原创 快速生成一份ppt：ChatGPT+MindShow
帮我做一份《xxxx》的ppt，帮我写一份包含6个子标题的大纲，每个子标题下尽量写4-5条内容，内容尽量详实，如果有例子更好。最后用markdown代码框输出。需要用到目前全宇宙最火的chatgpt，输入格式一定要。点击上方-我的文档，左侧选择。接下来进入MindShow。用markdown格式创建。
2023-05-27 18:17:08
555
原创 深度学习第J9周：Inception v3算法实战与解析
总结来说，Inception v3是一种深度卷积神经网络，其主要特点包括更深的网络结构、使用Factorized Convolutions、添加Batch Normalization、引入辅助分类器以及使用基于RMSProp的优化器进行训练。相对于Inception v1的Inception Module结构，Inception v3在卷积操作上做出了改动，使用两个3x3的卷积代替一个5x5的卷积以提高计算速度，并将n x n的卷积核尺寸分解为1 x n和n x 1两个卷积。
2023-05-14 20:53:52
4409
3
原创 YOLOv5教程-如何使用他人的数据集进行训练+测试评估模型
上面这篇文章是教大家从无到有如何diy一个权重模型用于目标检测，对水项目的本科生而言（比如我），大头时间都花在找数据集和标注数据集上了。许多朋友问过我数据集在哪找，这篇教程是我的想法，但许多也都是图片集，缺少标注文件。但有一些比赛和开源项目会提供图片+标注数据集供参赛选手，比如这个小比赛提供了现成的数据集，附上说明图片最后教大家调用val.py进行测试并得到相关数据。
2023-05-08 14:04:41
8691
10
原创 NLP实战：基于Pytorch的文本分类入门实战
这里我们定义TextClassificationModel模型，首先对文本进行嵌入，然后对句子嵌入之后的结果进行均值聚合。self.embedding = nn.EmbeddingBag(vocab_size, # 词典大小embed_dim, # 嵌入的维度这段代码是在 PyTorch 框架下用于初始化神经网络的词嵌入层（embedding layer）权重的一种方法。这里使用了均匀分布的随机值来初始化权重，具体来说，其作用如下：1。
2023-05-04 13:03:33
3400
3
原创 NLP实战：快递单信息抽取-基于ERNIE1.0 预训练模型
推荐使用MapDataset()自定义数据集。每条数据包含一句文本和这个文本中每个汉字以及数字对应的label标签。之后，还需要对输入句子进行数据处理，如切词，映射词表id等。ERNIE是百度开创性提出的基于知识增强的持续学习语义理解框架，该框架将大数据预训练与多源丰富知识相结合，通过持续学习技术，不断吸收海量文本数据中词汇、结构、语义等方面的知识，实现模型效果不断进化。
2023-05-03 19:26:21
2386
2
原创 深度学习第J8周:Inception v1算法实战与解析
Inception v1是一种深度卷积神经网络，它在ILSVRC14比赛中表现出最佳的分类和检测性能[1该网络的最大特点是使用了Inception模块，该模块通过多种不同的卷积核来提取不同大小的特征图，并将这些特征图拼接在一起，从而同时考虑了不同尺度下的特征信息，提高了网络的准确性和泛化能力。在Inception v1中，Inception模块一般由1x1、3x3和5x5的卷积层以及一个最大池化层组成，同时还会在最后加上一个1x1的卷积层来减少通道数，从而避免参数过多的问题[2。
2023-05-01 12:23:18
731
原创 NLP原理和应用入门：paddle（梯度裁剪、ONNX协议、动态图转静态图、推理部署）
动态图（Dynamic Graph）和静态图（Static Graph）是深度学习框架中的两种模型建立方式。静态图是指在模型建立之前，先定义好整个计算图，然后再将数据输入计算图中进行计算。这种方式最早出现在 TensorFlow 中，用户需要先定义计算图的结构，然后再将数据输入计算图中进行计算，具有很好的性能和可扩展性。动态图是指在模型运行时才会生成计算图。例如，PyTorch 和 Chainer 就是使用动态图的深度学习框架。
2023-04-27 13:08:22
1583
原创 NLP基础：标注器Label Studio的入门使用
起好名，选择natural language processing，再选择named entity recognition。点击import导入文本文件，我随便现弄了一个。最后标完导出即可，可以json、csv等等。左边这个框可以编辑自己要标注的关键词。然后就会自动登录网页，一般是。导入后点击上面进行标注任务。配置完后在控制台输入。
2023-04-24 22:25:29
6316
3
原创 深度学习第J7周：ResNeXt-50算法思考
🍨 本文为[🔗]内部限免文章（版权归 *K同学啊* 所有）🍖 作者：[查看j6周代码，思考解决问题。
2023-04-23 17:40:18
533
原创 数据挖掘：心脏病预测(测评指标；EDA)
gbm = GridSearchCV(estimator, param_grid) #网格搜索return gbm网格搜索自动调参方式，对param_grid中参数进行改正，可以添加学习率等等参数。
2023-04-21 19:54:48
1689
1
原创 Winscp无法创建远程文件（附windows与linux互传文件教程）
用户名就叫root，密码就是Linux管理员密码。主机ip就是刚才查的，端口默认22。查看Linux的ip，第二行inet ....后面那个就是。Winscp是一个轻量好用的互传工具，自行搜索下载即可。查阅资料得知，是权限不够。重新登陆时，把用户名改为。连接好后就能愉快的互传了。接下来就可以愉快的互传了~Linux控制台种输入。
2023-04-21 13:52:22
1926
原创 深度学习第J6周：ResNeXt-50实战解析
ResNeXt是由何凯明团队在2017年CVPR会议上提出来的新型图像分类网络。ResNeXt是ResNet的升级版，在ResNet的基础上，引入了cardinality的概念，类似于ResNet，ResNeXt也有ResNeXt-50，ResNeXt-101的版本。ResNeXt论文名为：Aggregated Residual Transformations for Deep Neural Networks.pdf。
2023-04-20 14:51:49
2777
2
原创 数据挖掘：汽车车交易价格预测(测评指标；EDA)
比赛要求参赛选手根据给定的数据集，建立模型，二手汽车的交易价格。来自 Ebay Kleinanzeigen 报废的二手车，数量超过 370,000，包含 20 列变量信息，为了保证比赛的公平性，将会从中抽取 10 万条作为训练集，5 万条作为测试集 A，5 万条作为测试集B。同时会对名称、车辆类型、变速箱、model、燃油类型、品牌、公里数、价格等信息进行脱敏。一般而言，对于数据在比赛界面都有对应的数据概况介绍（匿名特征除外），说明列的性质特征。了解列的性质会有助于我们对于数据的理解和后续分析。
2023-04-19 13:44:28
2256
原创 机器学习：基于心脏病数据集的XGBoost分类预测
XGBoost（eXtreme Gradient Boosting）是一种梯度提升决策树（Gradient Boosting Decision Tree，GBDT）的实现，是目前最流行的机器学习算法之一，被广泛应用于各种任务，如分类、回归和排序等。它由陈天奇在2016年开发，是Boosting算法家族的成员之一，可以通过增量的方式训练模型，逐步提高模型的准确性。与传统的决策树不同，XGBoost采用的是一种优化算法，即梯度提升算法。
2023-04-16 16:24:50
5618
2
原创 机器学习：基于朴素贝叶斯(Naive Bayes)的分类预测
朴素贝叶斯（Naive Bayes, NB) 是机器学习中一种基于贝叶斯定理的算法。它假设输入的特征之间相互独立且对分类结果的影响是等同的，因此称为朴素贝叶斯。具体来说，它通过计算先验概率和条件概率来确定输入样本所属的分类，其中先验概率指的是每个分类在整个数据集中出现的概率，条件概率指的是给定某个分类的情况下，输入样本在各个特征上的概率分布。在实际应用中，朴素贝叶斯常用于文本分类、垃圾邮件过滤等任务中，具有计算速度快、对数据量不敏感等优点。
2023-04-15 17:18:08
8065
5
原创 深度学习第J5周：DenseNet+SE-Net实战
论文：（搜名字也能看）Squeeze-and-Excitation Networks.pdf这篇文章介绍了一种新的神经网络结构单元，称为“Squeeze-and-Excitation”（SE）块，它通过显式地建模通道之间的相互依赖关系来自适应地重新校准通道特征响应。这种方法可以提高卷积神经网络的表示能力，并且可以在不同数据集上实现极其有效的泛化。作者还展示了SE块在现有最先进CNNs中带来了显著的性能提升，而只需稍微增加计算成本。
2023-04-13 11:41:28
1964
原创 深度学习第J4周：ResNet与DenseNet结合探索
根据J1~J3周的内容自由探索ResNet与DenseNet结合的可能性○是否可以根据两种的特性构建一个新的模型框架？○请用之前的任一图像识别任务验证改进后模型的效果（提取码：0mhm）
2023-04-04 13:27:13
916
深度学习NLP部分代码
2023-08-02
深度学习每周练习R部分源代码
2023-06-23
深度学习每周练习P部分源代码
2023-06-23
深度学习每周练习J部分源代码
2023-06-23
咖啡豆识别数据集目标检测
2023-05-06
天气识别数据集目标检测
2023-05-06
jdk11,安装Jenkins配套用
2023-05-02
心脏故障分析数据集表格
2023-04-15
软著申请样例，自动排版代码行数统计软件
2022-12-03
软著申请样例，内有五种文件，源程序前30页、后30页、申请人信息表（学校用）、软著申请表、软件说明书
2022-12-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人