weixin_52861033的博客

在区间修改当中加入了懒标记以增加效率，它的作用是当找到一个小区间被所求区间覆盖的话，就不再往下进行递归查找，只对当前小区间进行标记。等到下次查询或更新的时候再对小区间中的节点进行更新。所以懒标记会在对小区间的查询或修改的时候率先更新，这体现在更新区间和查询区间的函数中，在不覆盖的情况下，会率先调用push_down函数对子节点进行更新。每个节点存储一段区间的左右端点以及区间的某种属性。点修改可以算是区间修改的一个特例。区间查询：主要的思路是拼凑与拆分。

思路：本质是枚举，使用前缀和计算A任务的时间，使用优先队列（大根堆）存储选B任务的代价，通过枚举找到最小值。我感觉使用dp也能写，不过我不会。其实题目的思路很简单，当k等于2时，就是考虑在前2或3或4...n个任务里完成两个B任务的最短时间。A任务是必须做的，所以使用前缀和计算。B任务可以选做，所以一定是选值比较低的进入优先队列会更优。可以观察样例发现，0这个数字比较特殊，若数字里没0，只要填个个位数就行（1或2）。若数字里有0，那么0这个位置就填1，想让数字最小，那么1的位置填0，0的位置填1。

思路：贪心，由于最后一定会剩下sum%k个球，我们想让球的颜色最少，最好的方法是让剩下的球全部是一个颜色的。所以先求一下sum%k看剩几个球，再对数组排序，倒着取看结果是否为负，若为负则表示当前颜色是不能取完的（很直觉的做法，感觉也可以从前往后进行模拟，比较符合正常思路）。dp[i]表示%p后能凑出i这个数字使用最少的数字的个数。dp是考虑从哪个状态枚举到哪个状态。但好像没讲全对，可能是状态转移的更新部分不太对。思路：推公式，不是很难，题目完全是在迷惑大家。以下是bfs的正确代码。思路：带懒标记的线段树。

dp[i][j]表示考虑前i件装备，使用不超过j个金币时能获得的最大战力。初始条件为，意味着没有装备和没有使用金币时战力为 0。初始化其它值为一个很小的数（这里用），代表非法状态。

之前收藏的比较适合我的题。

思路：这个问题要求找出在满足给定条件（每位同学获得两张可能相同也可能不同的卡片，且没有任何两位同学获得完全相同的一组卡片）的前提下，小蓝需要准备的最少卡片种数。代码采用了一个直接的遍历方法来寻找解决方案。### 代码解释代码首先读入一个整数 `n`，表示班上同学的人数。接下来，它使用一个循环来遍历可能的卡片种数 `k`。对于每一个 `k`，它计算在当前的卡片种数下，能够产生的不同卡片组合总数。

思路：简单的推导一下公式。

这段代码使用动态规划（DP）来解决一个特定的问题，涉及到一系列的题目，每道题目答对可以获得10分，答错分数归零。目标是计算所有可能的得分方式中，最终得分为70分的总方案数。思路：dfs，枚举三种情况，不选当前瓜，选当前瓜的一半，选当前瓜。代码妙在将需要求的目标和每个瓜的值先乘2，免去了整除的尴尬。这是动态规划的基础，从这些初始条件开始，可以计算出后续所有的情况。这种使用动态规划的方法高效地遍历了所有可能的答题方案，计算出了满足条件的总方案数。题后所有可能得分（0到90分，每隔10分）的方案数之和。

思路：写的很好的题解。

论文名称：摘要—高性能计算（HPC）系统继续通过包含更多硬件组件来支持更大的应用部署来扩展。关键是，这种扩展往往会减少故障之间的平均时间，从而使容错成为一个越来越重要的挑战。在HPC中容错的标准做法是检查点/重新启动。已经有一些重要但独立的工作来创建快速的应用层检查点恢复技术和MPI层的快速恢复技术。然而，这些技术是独立操作的，虽然它们彼此预设，但它们并没有被设计成共同优化端到端的应用恢复。

让我们从为分类任务定义一个非常简单的管道开始，该任务确定一张图片中是否包含狗还是小猫。我们准备了一个包含狗和小猫图片的目录结构在我们的代码库中。我们的简单管道将从这个目录中读取图片，解码它们，并返回（图片，标签）对。创建管道最简单的方法是使用pipeline_def装饰器。在simple_pipeline函数中，我们定义要执行的操作以及它们之间的计算流程。使用fn.readers.file来从硬盘读取jpeg（编码图像）和标签。使用fn.decoders.image操作将图像从jpeg解码为RGB。

文档地址：在DALI中，任何数据处理任务都有一个称为Pipeline的中心对象。Pipeline对象nvidia.dali.Pipeline或其派生类的实例。Pipeline封装了数据处理图和执行引擎。

由于之前Ubuntu系统硬盘空间分配的不够，又去看了一下发现扩容很很麻烦。加以发现自己前面安装的深度学习环境版本与实际要用的不符，所以当机立断决定直接重装系统。

高效构建检查点/快照是训练和诊断深度学习模型的关键工具。在本文中，我们提出了一种适用于检查点构建的有损压缩方案（称为LC-Checkpoint）。LC-Checkpoint同时最大化了压缩率并优化了恢复速度，假设使用SGD来训练模型。LC-Checkpoint使用量化和优先级提升来存储SGD恢复所需的最关键信息，然后使用霍夫曼编码来利用梯度尺度的非均匀分布。我们广泛的实验证明，LC-Checkpoint相对于最先进的算法（SCAR），实现了高达28倍的压缩率和高达5.77倍的恢复加速。

这篇论文真水

新兴的字址持久内存（PM）有可能颠覆内存和存储之间的边界。结合高速RDMA网络，分布式基于PM的存储系统提供了通过紧密耦合PM和RDMA特性来实现存储性能大幅提升的机会。然而，现有的分布式文件系统采用为传统磁盘设计的传统集中式客户端-服务器架构，导致访问延迟过高、可扩展性有限且恢复开销高。本文提出了一种完全去中心化的基于PM的文件系统——Hydra。通过利用本地PM的性能优势，Hydra利用数据访问局部性实现高性能。为加速Hydra节点间的文件传输，文件元数据和数据通过单边RDMA读取进行分离更新。

吴恩达《深度学习专项》第一阶段总结与第二阶段预览 - 知乎 (zhihu.com)自我感觉达到文章里Level3的水平了，对于计算中的某些细节还有些不清楚，比如导数的计算，怎么来的，反向传播的过程中的cache存储等。%5Calpha。

当今的内存索引性能受到内存延迟/带宽瓶颈的限制。Processing-in-memory (PIM) 是一种新兴的方法，可能通过实现低延迟内存访问，其聚合内存带宽随 PIM 节点数量扩展，来缓解这种瓶颈。然而，在工作负载偏斜的情况下，PIM 系统在最小化节点间通信和实现负载平衡之间存在固有的张力。本文介绍了 PIM-tree，一种针对 PIM 系统的有序索引，它通过在数据和查询中实现加载平衡，实现了低通信成本和高负载平衡。我们的抗偏移索引基于主机 CPU 和 PIM 节点之间的劳动分工，利用各自的优势。

由于异构服务类型和动态工作负载的高变异性和维度，资源使用的精确估计是一个复杂而具有挑战性的问题。在过去几年中，资源使用和流量的预测已受到研究界的广泛关注。许多基于机器学习的工作负载预测模型通过利用其计算能力和学习能力得以发展。本文提出了第一篇系统调查、基于性能分析的比较研究，涉及多样化的基于机器学习的云工作负载预测模型。从预测资源管理的重要性开始讨论，接着介绍了这些工作负载预测模型的框架描述、操作设计、动机和挑战。将不同预测方法的分类和分类法分为五个不同类别。

我的理解是X.shape[0]表示多少行， -1表示剩余的所有维度数据合并成列，最后转置，所以最后行列互换，实验中train_set_x_orig的shape为(209,64,64,3)，所以转置前表示209行，每一列都是其他维度数据的合并，最后转置，达成了209列，每一列表示每个特征。np.dot表示矩阵乘法，直接使用*表示元素乘法，也就是说，它将两个数组中对应位置的元素相乘，得到一个新的具有相同形状的数组，*与np.multiply类似。-向量化在深度学习中非常重要， 它保证了计算的效率和清晰度。