- 博客(51)
- 收藏
- 关注
RSS订阅原创 字节9.3秋招研发笔试 【后端方向】第三题
小红拿到了一个无向图，初始每人节点是白色，其中有若干个节点被染成了红色。小红想知道，若将 i 号节点染成红色，当前的红色连块的数量是多少?你需要回答i∈[1,n] 的答案。定义，若干节点组成一个红色连通块，当且仅当它们都是红色节点，且在该图上可以通过无向边互相到达，这些可以连通的节点构成的最大集合为一个连通块。
2023-09-04 16:30:37
1449
原创 python 正则化规则
在字符串中找到正则表达式所匹配的所有子串，并返回一个列表，如果没有找到匹配的，则返回空列表。编译正则表达式，生成一个正则表达式（ Pattern ）对象。match 和 search 是匹配一次，
2023-07-04 16:21:09
187
原创 windows中，png图片转eps
此处第一个Figure1代表需要转化的图片名称，第二个Figure1代表转化后保存的图片名称。至于.png还是.jpg就取决于要转化的图片格式了。
2023-03-18 16:57:50
550
原创 c++ STL 函数汇总
vector篇功能：可变长度的数组vector空间处理resize reserve：resize(n)：对vector长度进行裁剪或补足，n大于当前长度时，会用初始值补充到n长度；reserve(n)：为vector预留出n个元素的空间，还不可访问。queue队列篇功能：后进前出常用成员函数：deque 双端队列篇功能：队列头尾都可以进出元素常用成员函数：deque deq;deq[ ]：用来访问双向队列中单个的元素。deq.front()：返回第一个元素的引用。deq.b
2022-04-08 11:14:10
841
原创 python2到python3代码错误汇总
1. 算术运算报错 can’t multiply sequence by non-int of type ‘float’原因：用了float数据进行数乘，需要用iny型数据根本原因：python2中 A/B 返回int型数据，而python3中 A/B 返回float型数据解决方案：把 A/B 改为 A//B 即可2. IndexError: invalid index of a 0-dim tensor. Use tensor.item() in Python or tensor.item<
2022-02-17 17:01:21
1234
原创 linux 解压zip文件及各种问题解决
解压压缩包命令：unzip 文件名.zip若报错：unzip command not found 原因：linux中未安装unzip命令。解决：执行如下命令，下载unzip包apt install unzip可能再次报错：E：Unable to locate package unzip解决：先执行命令apt-get update，该命令结束后，再执行apt install unzip...
2022-02-17 09:39:50
2827
原创 linux终端常用命令【update...】
1.后台挂起nohup Command [ Arg … ] [ & ]# 例： # 将test.py程序后台挂起运行，并将输出重定向到文件 test.log 中nohup python test.py > test.log 2>&1 &2. 进程命令1. 查看进程抓取进程：ps，参数示例：ps a 显示现行终端机下的所有程序，包括其他用户的程序。ps -A 显示所有程序。ps c 列出程序时，显示每个程序真正的指令名称，而不包含路径，参数或常驻服务的
2021-12-15 16:42:00
2781
原创 服务器从0搭建-【anaconda3+cuda+cudnn+conda环境创建+修改conda源】
1. anaconda3下载安装下载地址清华源镜像：清华源镜像北交源：北交源镜像官网：百度上传.sh文件至服务器安装anaconda：bash Anaconda3-2020.11-Linux-x86_64.sh安装过程中，有提示初始化conda路径，选择yes，会自动初始化conda路径在/root/.bashrc文件中激活更新后的/.bashrc文件：source ~/.bashrc验证conda安装成功：conda list，输出conda自带包；conda env list
2021-12-14 22:35:29
2966
1
原创 sklearn.model_selection.train_test_split
sklearn.model_selection.train_test_split函数功能：对数据和标签，按照指定比例，随机分出训练集和测试集示例：返回值：样本训练集，样本测试集，标签训练集，标签测试集# x_data: 所有样本数据# y_data: 所有label数据x_train, x_test, y_train, y_test = train_test_split(x_data, y_data, test_size=0.25, random_state=1)# test_size:值
2021-08-31 13:34:07
820
原创 python数据处理包——pandas
目录pandas.DataFrame新建dataframedaraframe常用域pandas读取保存文件保存文件读取文件pandas.concatpandas.mergepandas将dataframe的多列合并为一列pandas是python中强大的数据处理包，能够进行各式各样的数据处理工作。pandas.DataFramepandas对数据的封装格式。新建dataframe示例：import pandas as pda=[['1','2','3'], ['a','b','c']]#
2021-08-25 15:56:37
1264
3
原创 P NP NP-Complete NP-Hard问题的定义和区别
目录基础知识P(polynomial)问题NP(non-deterministic polynomial)问题NP-Complete问题NP-hard问题各问题难易程度基础知识多项式时间复杂度可解：如果一个问题可以在O(nk)O(n^k)O(nk)时间复杂度内得到解决，称该问题在多项式时间复杂度内可解，其中，n是实例的长度，k是固定常数。规约：对于两个问题L1和L2L_1和L_2L1和L2，若存在多项式时间复杂度的函数fff，将L1中的实例对应到L2中，则称L2L_2L2可规约到L1L_1L1
2021-08-22 11:58:08
386
转载 无监督学习自编码器——在网络预训练中的应用
基本思路：对于神经网络的每个隐藏层，逐层组成三层自编码器进行无监督训练，训练得到的网络参数当作网络的初始化参数。这种方式可以学习到训练数据的结构等信息，在网络正式训练（也称微调）时可以快速收敛。参考链接：栈式自编码器的无监督逐层贪婪预训练...
2021-08-19 11:24:50
735
原创 pytorch学习笔记——手动实现loss函数
这里写目录标题1. 手动实现BCELoss损失函数2.手动实现CrossEntropyLoss损失函数1. 手动实现BCELoss损失函数BCELoss损失函数，又称 “二元交叉熵损失函数（binary cross entropy loss）”计算公式：loss(x,class)=−logp(xclass).（class为x的真实类别标签）loss(x,class) = -{log {p(x_{class})}}. （class为x的真实类别标签）loss(x,class)=−logp(xcla
2021-08-15 15:41:26
3084
原创 pytorch学习笔记——torchvision.transforms使用
torchvision.transforms使用transforms.ToTensor()transforms.Noumalize(mean, std)transforms.Resize(size)transforms.Compose(transforms)transforms.ToTensor()函数功能：1. 把shape = (H x W x C) 数据转化为shape = (C x H x W) 形式;2. 把像素范围为 [0，255] 数据转化为 [0.0，1.0] 范围数据;3. 把类
2021-08-12 11:41:33
362
1
原创 pytorch学习笔记-各种Dataset的使用
TensorDataset 可以用来对 tensor 进行打包，就好像 python 中的 zip 功能。通常用于打包数据 和 标签。该类通过每一个 tensor 的第一个维度进行索引。因此，该类中的 tensor 第一维度必须相等。TensorDataset 打包之后，可再送入dataloader中，最后得到迭代的batch_size对象。参考：PyTorch 小功能之 TensorDataset...
2021-07-15 11:48:47
3101
转载 机器学习笔记-多层感知机（MLP）
原理简介多层感知机（MLP，Multilayer Perceptron）也叫人工神经网络（ANN，Artificial Neural Network），除了输入输出层，它中间可以有多个隐藏层。最简单的MLP只含一个隐层，即三层的结构，如图：参考：多层感知机（MLP）简介...
2021-04-19 16:19:33
1701
转载 pytorch学习笔记-torch.nn与torch.nn.functional的区别及应用场景
转载出处：作者：有糖吃可好链接：https://www.zhihu.com/question/66782101/answer/579393790来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。两者的相同之处：nn.Xxx和nn.functional.xxx的实际功能是相同的，即nn.Conv2d和nn.functional.conv2d 都是进行卷积，nn.Dropout 和nn.functional.dropout都是进行dropout；运行效率也是近乎相同。
2021-04-14 16:55:24
611
原创 scipy.stats统计库函数
常见通用函数pdf：概率密度函数cdf：累积分布函数，已知x位置求累计概率ppf：分位点函数，已知累计概率求x位置（cdf的逆函数）norm：正态分布poisson：泊松分布uniform：均匀分布t：T分布求平均值的标准误差（SEM）import scipy as spimport scipy.statsimport numpy as nparr=[1,2,3,4,5]sem=scipy.stats.sem(arr)SEM详解见：SEM实例：求置信区间临界点先验知
2021-04-13 20:14:41
2362
原创 平均值的标准误差（SEM）
定义数学公式定义：σ\sigmaσ：样本标准差nnn：样本数量σ′=σn\sigma'=\frac{\sigma}{\sqrt{n}}σ′=nσpython公式定义：# 样本的（无偏估计）标准差/sqrt(样本数量)sem = np.std(arr,ddof=1) / np.sqrt(len(arr))区别标准误差（SD）与平均值标准误差（SEM）之间主要区别在于：SD量化了分散值之间的差值有多大；SEM量化了你对总体实际平均值的了解程度。其考虑了SD的值和样本量；
2021-04-13 17:27:39
15566
原创 pytorch学习笔记-网络训练中，model.train() model.eval()的使用
网络训练中，model.train() model.eval()的使用1. model.train()启用 Batch Normalization 和 Dropout。如果模型中有BN层(Batch Normalization）和Dropout，需要在训练时添加model.train()。model.train()作用：对BN层，保证BN层能够用到每一批数据的均值和方差，并进行计算更新；对于Dropout，model.train()是随机取一部分网络连接来训练更新参数。2. model.eval(
2021-04-04 17:31:56
4826
2
原创 pytorch学习笔记-loss函数
1. 交叉熵(torch.nn.CrossEntropyLoss)参数class CrossEntropyLoss(_WeightedLoss): def __init__(self, weight=None, size_average=True, ignore_index=-100, reduce=True): pass def forward(self, input, target): pass两个参数：input：形状：NxC，其中C为类别数量；target：形
2021-03-26 21:17:36
525
1
原创 pytorch 搭建网络步骤
pytorch 搭建网络步骤准备数据定义网络结构model定义损失函数定义优化算法 optimizer（有是还要定义更新学习率：scheduler=StepLR() )训练 5.1 准备好tensor形式的输入数据和标签(可选) 5.2 前向传播计算网络输出output 和 计算损失函数loss 5.3 反向传播更新参数 以下三句话一句也不能少： 5.3.1 optimizer.zero_grad() 将上次迭代计算的梯度值清0 5.3.2 loss.ba
2021-03-16 16:12:32
1409
2
原创 python 学习笔记
python 学习笔记（update中)1. argparse使用方式import argparse# 设置说明parser = argparse.ArgumentParser(description='Train networks')# 添加参数parser.add_argument('--train.epochs', type=int, default=100, metavar='NEPOCHS', help='number of epochs to train (default: 100
2021-03-09 13:32:22
292
原创 2020年计算机保研历程记录分享【夏令营+预推免】
写在前面今年的保研历程真的是坎坷，从三月左右开始准备，一直到10月10号决定学校，七个月左右的漫漫历程，感觉需要记录一下，也是给后来人一个参考。个人情况本科院校：中部某中流211计科专业；专业排名：前五学期13/150（8.3%），前六学期11/150；（夏令营用的前五学期成绩，超8%很伤，容易被刷呜呜呜）项目经历：软件综合实习（优秀作品），微信小程序后端开发；（很水的科研项目经历千万不要写，老师很喜欢问科研经历，我有过一个很水的科研，没敢写上去，剩下的这两个都是偏开发的项目，老师们问的也较少
2020-10-17 15:45:00
5232
12
原创 ECNU 1009 整数的拆分【动态规划，整数分拆】
题目EOJ 1009思路动态规划，整数分拆具体整数分拆思路见百度百科：整数分拆c++代码#include <iostream>#include<algorithm>using namespace std;int dp[102][102];int main() { int n; for (int i = 1; i < 102; ++i) dp[1][i] = dp[i][1] = 1; //base case //i:需要分拆的数字 //j:分拆
2020-09-20 16:39:07
203
原创 leetcode 1131. 绝对值表达式的最大值【曼哈顿距离】
题目思路把[i,arr1[i],arr2[i] ]看做三维空间中的一个点，则所求表达式最大值，即空间中某两点间的曼哈顿距离最大值。曼哈顿距离解释如图（图源百度百科）：即求解：三维空间中，曼哈顿距离最大的两点间的曼哈顿距离值。正常思路：求每两对点之间的曼哈顿距离，时间复杂度为O(n^2)；简化思路：求两点间的曼哈顿距离，可以转化为：求两对点到三维空间角落的曼哈顿距离之差，时间复杂度O(n)。而三维空间存在八个角，即求每个点到八个角落的曼哈顿距离，维护每个角落的距离最大值和最小值；最后，返回
2020-09-17 22:00:23
753
原创 c++ memset用法总结（更新ing）
一维数组赋值：bool array[9]={false};二维及以上数组赋值：bool array[9][9];memset(array,false,sizeof(array));ps:memset只能对连续内存进行赋值；直接声明如 a[9][9] 形式的二维数组内存是连续的，可以直接用memset赋值；动态分配的二维数组只在行上连续，不能直接用memset，需要分每行进行memset！......
2020-09-15 14:57:00
576
原创 c++ 动态分配数组
动态分配一维数组int n=5;int *array=new int[n];//!!!!!!1//删除数组指针delete[]array;//不要忘了括号，否则只会删除第一个单元动态分配二维数组//!!!动态分配二维数组!!!int n=10;int **memo = new int*[n];//!!!!for (int i = 0; i < n; ++i) memo[i] = new int[n];//!!!!//delete二维数组for (int i = 0; i &
2020-08-30 16:04:02
1440
原创 leetcode 面试题 17.13. 恢复空格【字典树】
题目思路动态规划+字典树本题的主要思路其实是动态规划：数组dp[i]的状态表示：前i个字符中，未识别的字符个数。状态转移方程：若存在j(j<=i)，使得字符串sentence[j-1…i-1](下标从0开始）存在于dictionary中，则dp[i]=min(dp[i],dp[j-1]);否则，dp[i]=dp[i-1]+1;此时，问题转化为，在dictionary中匹配字符串的问题，若一个一个暴力匹配，时间消耗太大，本题采用字典树来匹配。字典树的优点：若某个前缀不是所有字
2020-08-30 11:55:42
126
原创 leetcode 721. 账户合并【并查集】
题目基础知识准备-并查集查找并返回所在集合的根节点：find():注意：根节点特性是：father[i]==i； 每次查找时进行路径压缩，保证集合树的高度不大于2； int find(int i) { //寻找根节点 int f = i; while (father[f] != f) //当该结点不是根节点时 f = father[f]; //上诉到父结点 //路径压缩 while (i != f) { int tmp = father[i]; father
2020-08-28 21:57:15
191
原创 数据结构-排序小结【sort和priority_queue】
sort函数排序sort(it.begin().it.end(),cmp);三个参数：begin，end，排序方式排序区间：前闭后开；排序方式：默认从小到大：sort(it.begin().it.end(),less<type>());从大到小应改为：sort(it.begin().it.end(),greater<type>());缺点：不能对结构体和自定义数据结构排序，需要另写排序函数。自定义排序函数：sort(it.begin().it.end(),c
2020-08-27 13:52:02
203
原创 leetcode 332. 重新安排行程【有向欧拉图，Hierholzer 算法】
题目题目分析我们首先把问题简化：每张机票是有向图中的一个边，要求经过该图每条边一次且仅一次的走法，即求该图的欧拉回路（或欧拉迹），也可以理解为----一笔画。题目中明确了，该图肯定存在欧拉回路（或欧拉迹）。对与这种：给出一个有向图，且为欧拉图，求欧拉回路的问题，我们应用Hierholzer 算法。 该算法的大概流程如下：选择任一顶点为起点，遍历所有相邻边。深度搜索，访问相邻顶点。将经过的边都删除。如果当前顶点没有相邻边，则将顶点入栈。栈中的顶点倒序输出，就是从起点出发的欧拉回路。
2020-08-27 13:33:43
281
原创 leetcode 861. 翻转矩阵后的得分【贪心】
题目思路贪心算法思路（注意题目中说，可以进行若干次行或列翻转）：1.行翻转时，可以知道，每行的最高位为1时，翻转会让该行二进制值变小，不用翻转；否则进行翻转；2.列翻转时，只需保证，该列1的数量>0的数量，即可，若不满足，则翻转该列；3. 在列翻转时，可以连带计算该列数值的二进制和。C++代码class Solution {public: int matrixScore(vector<vector<int>>& A) { //贪心思路： //
2020-08-26 16:33:35
136
转载 各种字符串匹配算法【BF、BM、RK、KMP】
BF算法基础的暴力比对算法，时间复杂度O(n)。BM算法BM字符串匹配算法KMP算法KMP算法！！！
2020-08-24 15:49:43
326
原创 leetcode 62. 不同路径 (动态规划）
题目思路典型的动态规划问题把m*n的地图看成m*n的二维数组dp，dp[i][j]的值是到该位置共有多少走法。简单列出几个位置的走法后可以发现：dp[i][j]=dp[i-1][j]+dp[i][j-1]；这是因为：当到达位置（i-1，j）后，从（i-1，j）到（i，j）只有一种走法；同理，到达位置（i，j-1）后，从（i，j-1）到（i，j）只有一种走法。最终得到上述递推公式：dp[i][j]=dp[i-1][j]+dp[i][j-1]；初始状态：dp[1][1]=1…dp[1][n]=1
2020-08-10 18:32:47
216
原创 leetcode 15. 三数之和【数组排序+双指针】
题目思路难点在于不允许出现重复的三元组，所以不能单纯使用三重循环求解。在三重循环的基础上考虑，我们可以在三元组中指定某种顺序，例如：保证{a,b,c} 满足a<=b<=c。只访问并保存该顺序的三元组，即可规避重复问题，这时需要对原数组进行排序。解决排序问题后，还要注意可能出现重复元素，也会导致三元组重复，所以移动指针时需要跳过重复元素。在原来三重循环+排序的基础上可以发现，如果向右移动b，b的值会变大，此时c只能减小才可能满足条件，所以c只能在原来的左侧寻找，因此可以把二
2020-08-03 18:01:33
122
原创 leetcode 338. 比特位计数
题目难度：中等思路动态规划时间复杂度：O(n)先列出一些数字，观察它们的二进制特点，当数字i：i为奇数时，1的个数是dp[i-1]+1；i为偶数时，如果i为2的幂次，dp[i]=1；否则，dp[i]是前面某两个偶数的dp之和。为解决i为偶数时的判断，此处设置两个指针low，high，刚开始都指向2。如果low==high，证明数字i是2的幂次，dp[i]=1,重置low=2,前移high=i；如果low!=high，dp[i]=dp[low]+dp[high],low+=2。C++代
2020-08-02 18:08:46
91
转载 leetcode 136. 只出现一次的数字
题目难度：简单（方法很巧妙）思路如果没有时间空间限制的话题目很简单，采用哈希表，第一次插入，第二次删除，最后哈希表中留下的数字便是答案。如果要满足空间复杂度O(1)，可以通过异或⊕运算，异或运算满足：a⊕a=0；a⊕0=a；满足交换律、结合律：a⊕b⊕a=b⊕a⊕a=b⊕(a⊕a)=b⊕0=b。详情见官方题解 136题官方题解...
2020-07-30 16:49:00
121
原创 leetcode 138. 复制带随机指针的链表
题目难度：中等思路题目要求是复制原链表，需要另外新建链表，返回新建链表的头结点。但原链表结构较为复杂，从左往右遍历原链表时，不能在复制节点时，事先知道当前节点的next和random域，所以可以先复制节点并存储下来，在后续遍历过程中再补齐该节点的next和radom域。存储时利用哈希map<原链表节点，复制节点>，遍历原链表过程中，利用原链表节点去map中查看，前文遍历时是否复制过该节点：没有，则创建复制节点，存入map；有，则直接更新复制节点对应域。c++代码class So
2020-07-30 16:03:06
171
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