小白的成长记录7.15-7.21(牛客网+LeetCode)

  • 时隔一周了,身为小白的我做了什么?又成长了多少呢?当然学到了什么是最重要的呀!

  • 说实在的还是有些羞愧,因为考驾照,准备考试、练车以及朋友聚会然后停电这种事情也打断了我的刷题之路。真的有些羞愧!!但也正是这些突如其来的变化让我慢慢的学会坚持!正所谓,计划赶不上变化所以我们要学的其实是这样一种适应能力,一种无论遇到什么事情都可以坚守自己的能力!

  • 那么关键来了,,我是如何应对这些变化的呢?这个星期我到底做了些什么?

  • 7.14号我对上一周的学习做了一个总结以及复习弄了一个下午,我原本打算用总结博客什么的抵掉算法,可是一个前辈跟我讲“快做吧,还有时间,你面试的时候可不会有人听你说我不会”然后我,,,,当然是立刻就刷啦!!!必须刷!

  • 7.15,我刷了算法以及牛客网基础,看了哈希算法,完成了电脑远程连接;

  • 7.16,满满的一天学车之旅让我疲惫不堪今天的我没有打卡,然后就是偷懒一时爽,,作业没有写;

  • 7.17今天的时候看到了一个前辈发的一个内推招聘,说的是研究生可以尝试一下,我都惊呆啦,现在都研究生起步了吗????他告诉我我的好友里面应该就你一个是本科生小朋友表示惊呆了,,再不努力就完蛋了,所以今天我又恢复了我的刷题之旅,依然是算法+基础咯

  • 7.18今天是我考科一的日子,只刷了基础的我表示很心虚,,明天给补上。

  • 7.19是要挨打的日子,练车回来一直停电到第二天,,,,为什么说是挨打的日子呢?我居然没想要出去刷,,,是自己从内心想要偷懒吧

  • 7.20又是一天的意外事故,一年一次朋友聚会然后去看望亲友,然后,,,。

  • 7.21悔悟得我赶紧补啊,虽然也是一天的学车之旅但是又到了一周一总结的时候了,虽然这一周有着各种磕磕碰碰、断断续续但是依然也是有所收获的。

LeetCode

  • 9回文数
这个就比较简单啦,首先找特例,因为要正负之分,以及0的作用;然后就是乘除求余的各种转换找到规律求解。
  • 13罗马数字转整数
1、Map<String, Integer> map = new HashMap<>();//使用map,给定一个字符串,求出字符串中每一个单词在字符串中出现的次数 
2、map存储方法是put(),V put(K key, V value) 向map集合中添加Key为key,Value为value的元素
  • 14最长公共前缀
1、StringBuilder里面的append方法调用
2、新建的StringBuilder对象sb的初值为“”
  • 20有效的括号
 s = s.replace("()", "").replace("{}", "").replace("[]", "");
 replace()替换的方法,用新的字符串替换掉字符串中出现的所有旧字符串,并返回替换后的新字符串。
  • 21合并两个有序链表
1、怎样比较节点
2、使用递归的方法将两个链表合并
  • 209长度最小的子数组
1、Min.min()方法求最小值;
2、min=Integer.MAX_VALUE=0x7fffffff
3、尚未解决的问题:添加一句没有任何用处新建数组但是他的内存消耗却更少,不知道为什么?

牛客网

老规矩呀,我放几个在这,然后把这个星期所有的笔记重新再写一篇博客,如果有兴趣的话,可以看一看;

5>>2相当于5除以2的平方,等于1,>>>表示无符号右移,高位用0填充,0001右移两位0000
java标识符只能由数字、字母、下划线或$符以及Unicode字符集组成;
Java标识符必须以字母、下划线或$符号以及Unicode字符集开头;
Java标识符不可以是Java关键字、保留字(cont\goto)和字面量(true\false\null);
Java标识符区分大小写,是大小写敏感的。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值