m0_73262387的博客

众所周知，PixelUnshuffle函数是深度学习中一个用于图像或特征图操作的函数，其核心作用是将输入张量中的像素块进行重新排列，把原本空间维度（高度和宽度）上的信息转移到通道维度上，从而减少空间维度大小，增加通道维度大小。如下图所示，可以将一个（1，1，4，4）的张量变为（1，4，2，2）。现在开始观察，我们可以发现，要做的其实就是将一个4*4的图片变为四个2*2的图片，也就是将输入特征图的分辨率降低。此时，张量的通道数变成了：channels*r*r,高度与宽度分别变成了之前的一半。

P1171 售货员的难题。

【代码】吃奶酪（状态压缩DP）

【代码】炮兵阵地（状态压缩DP）

【代码】P8687 [蓝桥杯 2019 省 A] 糖果。

【代码】P1879 [USACO06NOV] Corn Fields G题解（状态压缩DP）

求把 N×MN×M 的棋盘分割成若干个 1×21×2 的长方形，有多少种方案。例如当 N=2，M=4N=2，M=4 时，共有 55 种方案。当 N=2，M=3N=2，M=3 时，共有 33 种方案。

对于倍增的具体过程如下： 定义fa[u][j] 为 u 结点的 2的j次方级祖先，有递推式 fa[i][j]=fa[fa[i][j-1][j-1]]；倍增 首先考虑两个深度一样的点，对于两个深度相同的点 x，y ， 他们到LCA的深度差是相同 的，那么我们可以采取x,y同时向上移动，直到移动到相同的节点。如果线性地向上跳，时间复杂度不是很让人满意，由于祖先存在二段性，我们可以通过这个 性质进行倍增，找到最远的不同祖先，再找到那个祖先的父节点。

记录当前左右括号的数量，和当前未配对右括号的数量即可。若左括号的数量与右括号的数量不相等，那么无解。

其实很简单，先把数据每个都加权，就是这种类，能够提供的全部的贡献计算出来，再进行01背包分类就行，是不是很简单？顾名思义，就是把以上三种背包混合起来，也很简单，就是分开处理就好，只用一次就是一次，求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。多重背包的意思就是每个物体有固定的个数，比如每个物体可以用s[i]次；我们发现每一次dp[i]只和dp[i-1]有关系，我们可以将其省略；的最大价值dp[0][0]=0。个物品，选出来的重量正好是。的情况下计算最大的价值；

（1）、如果这位的数字小于3，就可以判断出这个位数上能出现的3的个数，就是这个数字前面的所有数字乘这个数的位数，比如：1221，个位出现三的个数就是122*1个，十位就是12*10个，百位就是1*100个所以3的个数就是 122+120+100=342个。（2）、如果这位数字大于3.就要在（1）的（基础）上加（1*位数）；如1421：个位出现三的个数就是142*1个，十位就是14*10（基础）个，百位就是1*100+1*10（这个数*位数） 所以3的个数为142+140+100+100=482个；