untilyouydc

研一生活总结难以置信，研一就这样结束了。现在我似乎很难评价自己的这一年，如果一定要给自己打一个分数，我或许只能打60分。这一年我几乎把自己的所有时间都投入到科研中，我打球的时间减少了，也不写博客了。每天都在读文章，写代码中度过。我也没出去玩过，把周末过得和平时一样，假期也是天天待实验室。但这样的生活是我想要的嘛？这样做能给我带来什么？我发现这一年，我缺少了反思。我太执着于发论文了，看到身边的人论文不断的产出，我自己也变得急躁起来 。发了第一篇以后，又想着赶紧发第二篇，第三篇。我感觉自己深深的陷入了这个

1. 先在机器上安装kaldi。安装过程可以根据github上的步骤来2. 利用kaldi提取特征需要提前准备3个文件（1）wav.scp 文件 文件内容为：001_001_utterance kws_data/wav/test/001/001_001_utterance.wav 即每行包括两个部分，中间用空格隔开，第一部分是文件名（即你要提特征的音频文件），第二部分是音频文件的路径（2）spk2utt 内容示例：001_001_u...

最近GPU上某些进程杀不死，查了一下说是因为父进程虽然kill了，但是子进程的内存还没有释放。因此要重新杀死父进程，我们通过 ps -ef|grep 进程ID ，来查找其父进程。然后再使用 kill -9 父进程ID 来杀死。...

https://leetcode-cn.com/problems/shortest-palindrome/策略很容易看出来，只要求出以s[0]为起点的最长回文子串长度就行，因为以s[0]为起点的最长回文子串已经满足了回文串的要求，接下来只需要在前面加上s剩余部分的逆序即可。即将s分成s1+s2，其中s1为以s[0]为起点的最长回文子串。最后答案就是 s2^ + s (s2^表示s2的逆串)那么下面难点就是判断s[0]-s[i]是否能构成回文串。如果令i=0.....n，依次去判断的话，复杂度

题目本身不难，但好像题意有点难懂。给了N个男生，M个女生。要招募这（N+M）个人，需要花费1000*（N+M）。但现在男生和女生直接可以有一种联系，这种联系的数值为di，如果你想招募x，并且y与x 相连同时y已经被招募（其实即使y没有被招募，你也可以选择先花10000招募y，然后y就变成被招募状态了），那么你可以减少di元。因此，我们可以将招募的人统一用并查集合并，如果某条边的两个点x,y，不在同一集合时，代表这条边的值可以被减少。所以，最佳的做法就是每次选择权重最大的边，即用最小生成树的算法来

1. 定义节点struct Node{ int val; Node* left; Node* right; Node(){ val=0; left=NULL; right=NULL; } Node(int x){ val=x; left=NULL; right=NULL; }};2. 构建二叉搜索树每当新插入一个值时，先在原树上进行查找，找

题目链接：https://leetcode-cn.com/problems/palindrome-pairs/如果直接每两个字符串合并，然后去判断是不是回文串的话，会超时。其实可以转化为匹配问题。设原串为s,那么将s拆分成s1,s2两个串，如果s1是回文串，只需去列表里找是否存在s2的逆串。同理 如果s2是回文串，则去找s1的逆串。快速查找匹配字符串的方法就是用字典树，时间复杂度只有O（len），len为字符串的长度。这个题最重要的地方应该是学习一下字典树。struct Nod

题目链接：https://leetcode-cn.com/problems/24-game/思路：非常经典的暴搜题。虽然没有什么算法，但却是练习dfs的好机会。本质就是不断从数组中取出两个数，进行加减乘除运算，然后将新值在放入数组中。剪枝有两个方向，第一当找到能得到24的组合时，结束递归。第二，加法和乘法有交换性。class Solution {public: double eps = 1e-5; bool ans=0; bool judgePoint24

时间序列预测系列4主要内容本文主要讲述双阶段注意力模型的实现，即从时间和空间两个维度，分别使用注意力模型。具体模型的详细内容，可以参考下面这篇论文。链接：https://pan.baidu.com/s/1UePtoCnYcKXbb7eTwqvNiw提取码：j1c6本文专注于讲述如何用代码实现，对论文里的内容不做过多的解释。若想完全理解论文，需要多读几遍。本文应该是时间序列预测系列中最难的一部分，需要花费一定的时间去阅读代码和论文。论文核心思想空间注意力：每支股票每天的数据中，都含有多种因素

给你两个正整数 n 和 k，二进制字符串 Sn 的形成规则如下： S1 = "0" 当 i > 1 时，Si = Si-1 + "1" + reverse(invert(Si-1))其中 + 表示串联操作，reverse(x) 返回反转 x 后得到的字符串，而 invert(x) 则会翻转 x 中的每一位（0 变为 1，而 1 变为 0）例如，符合上述描述的序列的前 4 个字符串依次是： S1 = "0" S2 = "011" S3 = "0...

时间序列预测系列3主要内容前2篇已经介绍了基本的LSTM预测模型。本文将引入注意力机制。注意力机制原理本文不进行叙述，本文专注于如何用代码实现。往往我们预测某一值都是根据前T天的历史数据，将其输入到LSTM网络中进行预测。但其实我们可以发现对第T+1天的数据而言，前T天的数据对第T+1天的影响应该是不同的。就拿股票数据来说，可能T-1天股票价格发生了大幅度的降低，那么我们预测第T+1天时应该重点考虑到T-1天发生的变化。因此本文的工作就是采用注意力机制，对前T天的数据分配不同的注意力权重，从而达到.

1. linux上安装CUM Sphinx保证Python环境为3.0以上。依次输入下列命令：pip3 install SpeechRecognition # python3.0+sudo apt-get install python3 python3-all-dev python3-pip build-essential swig git libpulse-dev libasound2-devpip3 install pocketsphinxpip3 install p

时间序列预测系列2本文是时间序列预测的第二篇。第一篇讲的是如何利用LSTM预测沪深指数的收盘价，其中我们只用收盘价作为输入数据。但其实这种做法并不完美，因为我们买股票的时候，并不只盯着收盘价的变化来分析，我们往往还会看收盘价，最高价，最低价，交易量等因素。因此本文将介绍，如何利用一支股票的多个因素（最高价，最低价，开盘价，收盘价，交易量…）来预测股票的收盘价。基础的模型仍然是LSTM。数据读取本次实验使用中国黄金的历史数据。数据可以从下面的链接获取。链接：https://pan.baidu.c.

时间序列预测系列1本文是时间序列预测的第一篇，从最简单的使用LSTM来预测沪深300指数的收盘价。数据中只使用沪深300指数的收盘价，不考虑其他因素（开盘价，交易量等）。本文没有使用到高级的技术，仅仅只是调用一下LSTM而已，但对刚刚入门的人来说，学习如何处理数据，如何利用Keras搭建模型，是非常有用的。当熟悉了如何处理数据，如何搭建模型以后。后面很多实验就能很快实现了。基本的LSTM预测使用LSTM搭建模型，数据集使用沪深300指数的收盘价。时间步长T（即由前T天的数据，预测T+1天），.

人类简史读书笔记一直都想找一本历史性的读物来阅读，无意之中发现这本书。刚刚读了一章就停不下来了，吸引我的不是书中描述的历史，而是作者思考问题的角度。我们都知道，智人是从类人猿一步步进化而来，从食物链中普通的一环，一步步走到食物链的顶端，成为自然界绝对的统治者。作者就是从猿的进化开始，一步步描述我们经历的不同阶段，以及为何我们朝着这个方向发展。令我印象深刻的有四点。第一，我们人类之所以能战胜其他物种，最重要的不是我们懂得使用工具，而是我们懂得合作。为何我们愿意合作？为什么我们能组建成国家？原因就是有.

代码能力越来越菜了......题目链接这题本来就是一个普普通通的DFS，但我却掉进了坑了，一直在超时，后面看了题解以后才恍然大悟。我一开始的想法是，dp[i][k]表示第i个节点为根的情况下，含有字符'a'+k的个数。那么从根节点开始dfs，回溯的时候累计一下就行。我的代码是这么写的：class Solution {public: int dp[100005][26]; bool bit[100005]; vector<vector<int>

大学生涯总结2020年7月5日下午9点10分，舍友们都离开了寝室，此时此刻，寝室只留下我一个人，那个最后走的人是我。从昨天到今天，很多同学逐渐离开学校，很多同学我们还没来得及交流，只是简单的合影留念，时间实在太短，转眼间就是离别。我们都不知道下次相聚是什么时候，或许，今日的离别，已是永别。初入校园我还记得4年前我来到上海的那一天，我坐了30多个小时的火车来到上海，一开始连地铁怎么搭都不知道。我还记得和老乡雷瑞一起去外滩看东方明珠的场景。大一的生活非常的悠闲，那时的我没有考虑未来的发展。大一基本是.

题目链接思路：最少的字符数量，必然是利用组合数进行乘法运算。codeforces一共10个字符，当每个字符都增加一个的话，有2^10种选择，同理，每个字符都增加2个的话，有3^10种选择.....所以首先需要找到x^10 >k 。然后，按位数减小x即可。#include <bits/stdc++.h>using namespace std;long long get(long long k){ int j=k; for(int i=1;i<10;i

k邻近算法实现前言k邻近算法是经典的机器学习算法，也是较为简单的一种。它的基本思想非常简单，去寻找与之最相近的一些点，根据这些点的性质，判断新点的性质。实现k邻近一般有两种方法，暴力计算和基于KD树的算法。暴力计算简而言之，直接遍历所有点，计算新点与这些点的距离，然后选出距离最相近的k个点。再根据这k个点的性质来做出判断。基于KD树的实现首先，需要了解KD树的思路。由于已经存在讲解非常好的博客，这里不在叙述KD树的思路，可以参考博客：KD树算法思路KD树算法图解本博客主要介绍如何用代码实现.

思路：这种找最小满足条件的数，一般都是二分来做。首先枚举value。枚举好以后，为了能在O(logn)的时间内计算出和，可以先对原数组进行排序，然后二分找一下。最后，答案可能是l或者r。具体需要比较一下。class Solution {public: int findBestValue(vector<int>& arr, int target) { sort(arr.begin(),arr.end()); int n=arr.siz