leetcode850
题目描述:
我们给出了一个(轴对齐的)二维矩形列表 rectangles 。 对于 rectangle[i] = [x1, y1, x2, y2],其中(x1,y1)是矩形 i 左下角的坐标, (xi1, yi1) 是该矩形 左下角 的坐标, (xi2, yi2) 是该矩形 右上角 的坐标。
计算平面中所有 rectangles 所覆盖的 总面积 。任何被两个或多个矩形覆盖的区域应只计算 一次 。
返回 总面积 。因为答案可能太大,返回 109 + 7 的 模 。
PS:昨天李沐老师的课内容过于丰富,导致看完后没有时间总结,今天争取看懂代码记录下总结。
每次碰到困难题基本上都要求助于评论区的思路,本题是参考了宫水三叶的解题思路后用C++改写的,由于C++stl库还不是很熟悉,也参考了一部分其他人的C++代码。不知道什么时候自己能够独立解出一道hard。
本题思路其实并不难,只是对我这种新手很难想到。可以理解为把所有矩形按列拆分成n*1的矩阵,我们所需要求得就是n,这其中的1可以是其他长度,根据给定的矩形而定。我们首先将rec中的所有x轴元素push到向量中,按从小到大的顺序排序,找出n*1中的1。然后,遍历所有矩形,如果该横坐标区间属于某个矩形,就将该矩形的纵坐标以成对的形式放入向量中,为什么要成对,因为这代表了上下界,如果不成对,在所有y方向都连续无空缺的情况下不会出错,但是一旦有空缺就会多算。最后计算矩形面积相加得到答案。代码如下。
class Solution {
public:
int rectangleArea(vector<vector<int>>& rectangles) {
vector<int> xaxis; //存储x轴值
//将x轴坐标载入
for(vector<int>& v : rectangles) {
xaxis.push_back(v[0]);
xaxis.push_back(v[2]);
}
//对x轴坐标进行排序
sort(xaxis.begin(), xaxis.end());
int res = 0;
//遍历xaxis所有的坐标,找出每个相邻坐标之间的y方向的长度
for(int i = 1; i < xaxis.size(); ++i) {
int a = xaxis[i-1], b = xaxis[i];
int len = b-a;
if(len == 0)
continue;
vector<pair<int, int>> yaxis;
for(vector<int>& v : rectangles) {
if(a >= v[0] && b <= v[2])
yaxis.push_back({v[1], v[3]});
}
sort(yaxis.begin(), yaxis.end());
//计算y方向长度
int l = -1, r = -1;
long long ans = 0;
for(pair<int, int>& v : yaxis) {
if(v.first > r) {
ans += r - l;
l = v.first;
r = v.second;
} else if(v.second > r) {
r = v.second;
}
}
ans += r - l;
ans %= (long long)1e9+7;
ans *= len;
ans %= (long long)1e9+7;
res += ans;
res %= (long long)1e9+7;
}
return res;
}
};
跟李沐学pytorch
这是昨天啃剩下的,今天又仔细读了一遍代码,顺带做了点注释,对代码里面的很多函数还是不是很了解,尤其是矩阵的大小上一直在纠结,最后发现与其自己瞎琢磨,不如输出一遍。
详细实现softmax在mnist数据集上的分类任务的步骤如下:一,首先进行数据的读取,利用DataLoader进行,返回训练集和测试集的迭代器。二,二维图像或三维图像不好处理,将其flatten为一维。三,分别根据定义写出sotfmax函数、网络预测函数(即前向通路,与权重偏置做积)、交叉熵函数、正确率计算函数、正确率评价函数。四,训练函数,主要是用何种方法进行梯度更新。最后如果需要看效果的话test测试集一下,画图输出。
from urllib import request
import torch
from IPython import display
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
#print(type(train_iter)) #<class 'torch.utils.data.dataloader.DataLoader'>
num_inputs = 784 # 28*28 flatten 操作
num_outputs = 10 # classes
w = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad = True) #生成0的数组 1*10
# print(b)
def softmax(x):
x_exp = torch.exp(x)
partition = x_exp.sum(1, keepdim=True) #除去列维度, 相当于把所有预测概率的指数形式求和
return x_exp / partition #广播机制 自动扩展
# X = torch.normal(0, 1, (2, 5))
# X_prob = softmax(X)
# print(X_prob, X_prob.sum(1))
#实现softmax回归模型
def net(x):
return softmax(torch.matmul(x.reshape((-1, w.shape[0])), w) + b) #根据线性关系预测
#交叉熵损失
# y = torch.tensor([0, 2])
# y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
# y_hat[[0, 1], y]
def cross_entropy(y_hat, y):
return -torch.log(y_hat[range(len(y_hat)), y]) #交叉熵损失函数H(p,q) = -sigima(p * log q) range找出有多少样本 y代表真实值
# print(cross_entropy(y_hat, y))
def accuracy(y_hat, y):
'''计算正确的数量'''
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
y_hat = y_hat.argmax(axis = 1) #axis代表坐标轴 0是纵轴, 1是横轴
cmp = y_hat.type(y.dtype) == y #cmp返回bool类型矩阵,列表?
return float(cmp.type(y.dtype).sum())
# print(accuracy(y_hat, y) / len(y))
def evaluate_accuracy(net, data_iter): #评价正确性
if isinstance(net, torch.nn.Module): #判断net是否为torch.nn.Module的一个实例,是true
net.eval() #计算正确率的时候是评价,不进行normalazition和dropout
metric = Accumulator(2)
for x, y in data_iter:
metric.add(accuracy(net(x), y), y.numel()) #numel返回元素中的个数
return metric[0] / metric[1]
class Accumulator: #@save
"""在n个变量上累加"""
def __init__(self, n):
self.data = [0.0] * n #把0复制n次变成一个新的数组
def add(self, *args):
self.data = [a + float(b) for a, b in zip(self.data, args)]
# #zip后返回一个对象
# a = [1, 2, 3]
# b = ["a", "b", "c"]
# zip(a, b) # 返回的是一个对象
# list(zip(a, b)) # 输出为:[(1, 'a'), (2, 'b'), (3, 'c')]
def reset(self):
self.data = [0.0] * len(self.data)
def __getitem__(self, idx):
return self.data[idx]
# if __name__ == "__main__":
# print(evaluate_accuracy(net, test_iter))
def train_epoch_ch3(net, train_iter, loss, updater): #@save
"""训练模型一个迭代周期(定义见第3章)"""
# 将模型设置为训练模式
if isinstance(net, torch.nn.Module):
net.train()
# 训练损失总和、训练准确度总和、样本数
metric = Accumulator(3)
for X, y in train_iter:
# 计算梯度并更新参数
y_hat = net(X)
l = loss(y_hat, y)
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
updater.zero_grad()
l.mean().backward()
updater.step()
else:
# 使用定制的优化器和损失函数
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
# 返回训练损失和训练精度
return metric[0] / metric[2], metric[1] / metric[2]
class Animator: #@save
"""在动画中绘制数据"""
def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
ylim=None, xscale='linear', yscale='linear',
fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
figsize=(3.5, 2.5)):
# 增量地绘制多条线
if legend is None:
legend = []
d2l.use_svg_display()
self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
if nrows * ncols == 1:
self.axes = [self.axes, ]
# 使用lambda函数捕获参数
self.config_axes = lambda: d2l.set_axes(
self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
self.X, self.Y, self.fmts = None, None, fmts
def add(self, x, y):
# 向图表中添加多个数据点
if not hasattr(y, "__len__"):
y = [y]
n = len(y)
if not hasattr(x, "__len__"):
x = [x] * n
if not self.X:
self.X = [[] for _ in range(n)]
if not self.Y:
self.Y = [[] for _ in range(n)]
for i, (a, b) in enumerate(zip(x, y)):
if a is not None and b is not None:
self.X[i].append(a)
self.Y[i].append(b)
self.axes[0].cla()
for x, y, fmt in zip(self.X, self.Y, self.fmts):
self.axes[0].plot(x, y, fmt)
self.config_axes()
display.display(self.fig)
d2l.plt.draw()
d2l.plt.pause(0.001)
display.clear_output(wait=True)
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型(定义见第3章)"""
animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
legend=['train loss', 'train acc', 'test acc'])
for epoch in range(num_epochs):
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
assert train_loss < 0.5, train_loss
assert train_acc <= 1 and train_acc > 0.7, train_acc
assert test_acc <= 1 and test_acc > 0.7, test_acc #限定范围
lr = 0.1
def updater(batch_size):
return d2l.sgd([w, b], lr, batch_size)
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
def predict_ch3(net, test_iter, n=6): #@save
"""预测标签(定义见第3章)"""
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
d2l.show_images(
X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
d2l.plt.show()
predict_ch3(net, test_iter)