Jsjendndn的博客

原创 机试打卡。

先开一个动态数组，然后输入，排序，取arr数组的头和尾。

原创 AG-news分类任务

本文使用，实现一个简单的文本分类模型。任务目标：输入一段新闻文本，判断该新闻属于哪个类别。

原创 python搭建MiniDL

结构大体是。

原创 pytorch搭建ANN和CNN

小明创办了一家手机公司，他不知道如何估算手机产品的价格。为了解决这个问题，他收集了多家公司的手机销售数据。等）与其售价之间的某种关系。我们可以使用机器学习的方法来解决这个问题，也可以构建一个全连接的网络。该数据为二手手机的各个性能的数据，最后根据这些性能得到。个价格区间，作为这些二手手机售出的价格区间。搭建CNN实现图像分类CIFAR10。需要注意的是: 在这个问题中，我们。，所以该问题也是一个。

原创 sdau计算机体系结构复习

层次结构：按照计算机语言从低级到高级的次序，把计算机系统按功能划分为多级层次结构，每一层以一种不同的语言为特征。翻译：先用转换程序把高级机器上的程序转换为对应的低级机器上的等效程序，然后在这一低级机器上运行，执行过程中，高级程序不再被执行。解释：对于高级机器上的程序中的指令，都是转去低级机器上面执行等价陈旭，执行完后，再去高级机器上取下一条指令，依次重复执行。体系结构：程序员所看到的计算机属性，包括概念性结构和功能特性。

原创 动手学深度学习

1:3表示左闭右开，::3表示三个一跳要想改变一个张量的形状而不改变元素数量和元素值，可以调用reshape函数X使用全0、全1、其他常量，或者从特定分布中随机采样的数字torch.randn(3, 4)正态分布常见的标准算术运算符（和**）都可以被升级为按元素运算dim=0在0维合并（按行），dim=1按列通过逻辑运算符构建二元张量X == Y对张量中的所有元素进行求和，会产生一个单元素张量X.sum()即使形状不同，我们仍然可以通过调用广播机制。

原创 YOLO 网格预测

仅负责分工与去重不负责画框。

原创 为什么多头注意力（MHA）能让Transformer效果暴涨？

在自然语言处理中，一个单词的含义往往依赖上下文。例如：对于单词 love 而言：它可能需要关注：Attention 的核心思想就是：Attention(Q,K,V)=softmax(QKTdk)VAttention(Q,K,V)=softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)VAttention(Q,K,V)=softmax(dk​​QKT​)V其中：执行流程：QKTQK^TQKT衡量当前单词与其他单词之间的相似程度。softmax(QKT)softmax(

原创 为什么加入 ReLU 后，神经网络可以学习线性可分的特征？

f = Wxf = W2h它先用第一层和 ReLU 把输入转换成新的隐藏层特征，再用第二层在线性空间中分类。1. 把负响应变成 0，让神经元像开关一样选择性激活2. 将输入空间切分成多个区域3. 对不同区域使用不同的线性表示4. 形成分段线性变换5. 让模型有能力学习更复杂的分类边界一句话总结：ReLU 并不是直接让数据自动线性可分，而是让神经网络可以学习一种新的特征表示；在这个隐藏层表示中，原本线性不可分的数据可能变得可以被线性分类器分开。

原创 从线性分类器到两层神经网络：为什么我们需要非线性？

f = W x它简单高效，但只能学习线性决策边界。它比线性分类器多了一层隐藏层，并且通过 ReLU 引入了非线性。这使得模型可以先把输入数据变换到一个新的特征空间，再在这个空间中进行分类。一句话总结：线性分类器只能在原始空间中画直线；两层神经网络可以通过隐藏层和非线性激活函数学习新的特征表示，从而处理更加复杂、线性不可分的数据。

原创 CS231n Softmax Loss Naive实现详解

∂L∂Wjpj−1jyiXi∂Wj​∂L​pj​−1jyi​))Xi​拆开看就是：如果j如果j为什么会乘上X[i]？

原创 关于文法G2算符优先分析的一个坑

这个问题的本质不是“不会推导”，而是：算符优先分析依靠终结符之间的优先关系，而T→ST \to ST→S这种单位产生式只涉及非终结符，因此它无法仅凭优先关系判断什么时候应该做S⇒TS⇒T。所以如果题目要求严格按照算符优先分析表来写过程，这个文法本身就不太适合直接使用标准算符优先分析方法。

原创 递归下降分析

递归下降分析中，选择哪个产生式主要依赖两个东西：第一，当前的 lookahead token。第二，各个候选式的 FIRST 集。对于文法：因为：所以：text 看到 number，就选择 E → number 看到 ‘(’，就选择 E → (E+E)而 3 之所以会被看成 number，是因为在语法分析之前，词法分析器已经完成了 token 分类。这也是我理解递归下降分析时最关键的一点：语法分析器不是直接分析字符，而是分析 token。

原创 深度学习底层核心原理：损失函数、梯度与参数更新

很多初学深度学习的人，都能看懂代码、会调用优化器，但始终搞不懂最底层逻辑：损失函数到底有什么用？为什么求梯度、反向更新参数，就能让模型越来越准？本文从零拆解，讲透线性分类/神经网络通用的训练底层逻辑。当前位置下，自变量W小幅变动时，损失L的变化趋势与变化幅度。Loss：量化模型的错误程度；梯度：告知模型怎么调W会变得更差；梯度下降：反着梯度方向更新W，持续降低错误；所有神经网络、分类模型的训练，底层全部遵循这套逻辑。底层核心：全部依靠梯度下降，反向更新权重W；辅助优化。

原创 LL(1)文法例题

(1) 计算每个非终结符的 FIRST 和 FOLLOW 集合。(5)按顺序写出对句子i+i进行预测分析时，分析栈的状态。printf("分析成功");(2)证明文法是 LL (1) 的。(4)构造递归下降分析程序。(3)构造预测分析表。4.递归下降分析程序。

原创 图书馆门禁如何识别校园卡

先纠正一个关键点：线圈本身不存任何数据，存数据的是卡里的芯片，线圈只负责“传信号、供电”。存储数据的是埋在卡里面的微型IC芯片，线圈只是帮芯片“通电、传话”。芯片=带号码的小录音机。学号是后台数据库绑定出来的，换一张卡、重新绑定卡号和学号，照样能用。◦ 芯片收到指令后，把自己存储的卡号数据，调制到电磁波上，通过卡上的环形线圈发射出去。2. 卡片靠近后，卡内的环形线圈切割磁感线，根据电磁感应定律，线圈两端产生感应电压。我们看到的卡上铜丝/印刷铜线，就是天线线圈，它只是导线绕成的环路，没有存储能力。

原创 设计属性文法

原创 实训1227

config这个项目是一个典型的，各个文件 / 目录的作用和联系可以按 “分层架构” 来理解，核心是实现用户相关的业务功能（比如注册、登录、用户管理）。

原创 不以0开头的偶数集和奇数集

原创 编译原理判断是什么文法

原创 编译原理里的冲突到底是什么？

在同一个状态、面对同一个输入符号时，分析表里出现两个动作。ACTION[状态 i, 符号 a] = shiftACTION[状态 i, 符号 a] = reduceshift（移进） 和 reduce（归约）就叫移进-归约冲突。就叫归约-归约冲突。冲突 = 编译器在某一步无法唯一决定下一步怎么做。

原创 消除左递归和回溯

左递归A->Aβ这种形式，箭头后面紧跟着自身。

原创 编译原理根据正规式构造有限自动机

1.构造不确定有限自动机NFA（Nondeterministic Finite Automaton）2.构造确定有限自动机DFA（Deterministic Finite Automaton）

原创 删除链表中的某个节点

对应力扣19题我想到的解法是，遍历一遍链表，把节点都存入Map，然后让链表长度-n，就得到要删除的节点。在map中招到这个节点的前一个，把前一个指向要删除的节点的后一个。时间复杂度和空间复杂度都是O(i)，i为链表长度。

原创 yolo12结构学习

用，把 YOLOv12 的工作流程重新讲一遍，保证你一听就懂👇。

原创 回文链表+快慢指针找中点

（比如 fast 走到链表倒数第一个节点时），访问。做前置判断，这是 JavaScript 等语言的。暴力解法是入栈，然后一个一个出栈对比，，程序终止运行，根本无法完成遍历。双指针 + 链表反转。

原创 leetcode链表

第160题是找出两个链表第一次相交的节点并返回。

原创 数组+dp

Kadane 算法是 53 题的最优解，时间O(n)、空间O(1)，秒杀所有测试用例；curSum（当前结尾的最大子数组和）、maxSum（全局最大和）；核心规则只有两步：curSum = max(当前元素, 前curSum+当前元素)→ maxSum = max(旧maxSum, 新curSum)。这个算法是子数组 / 子串最值问题的经典算法，不仅适用于 53 题，后续遇到类似的 “连续子数组和 / 最值” 问题，都可以尝试用这个思路解决，记熟之后能快速搞定这类题目～问题拆解。

原创 单调队列+滑动窗口

对应力扣239滑动窗口的最大值给你一个整数数组nums，有一个大小为k的滑动窗口从数组的最左侧移动到数组的最右侧。你只可以看到在滑动窗口内的k个数字。滑动窗口每次只向右移动一位。返回滑动窗口中的最大值。left时间复杂度为O（n×k）n为数组长度，k为窗口长度。

原创 前缀和/子数组

定义前缀和preSum[i]：表示数组中「从索引 0 到索引 i 的所有元素的和」（前 i+1 个元素的和）。核心避坑：数组含正负 0，不能用滑动窗口，必须用「前缀和 + 哈希表」；核心转化：子数组和为 k → 等价于当前前缀和 - 之前的前缀和 = k→；核心初始化：哈希表必须初始化为{0:1}，对应虚拟前缀和 0，避免漏掉从索引 0 开始的有效子数组；计算当前前缀和→找目标值→统计次数→更新哈希表，四步循环遍历一次数组。这道题是「前缀和算法」的经典代表题。

原创 yolo结果中的指标

这些指标从训练进度、训练拟合度、泛化性能、学习节奏看epoch知训练进度，看train/xxx知模型在训练集的学习效果；看知模型真实检测能力（最关键），看val/xxx判断过拟合；看lr/pg0~pg7知学习率调度是否合理，为超参数调整提供依据。先看和曲线类图片，判断模型整体性能（mAP、F1 是否达标）；再看和，直观找检测问题（漏检、误检、框不准）；最后用混淆矩阵和labels.jpg，定位具体类别的问题（比如某类总是被分错，可能是样本少 / 特征不明显）。

原创 滑动窗口策略

对应力扣第3题：右指针前移，左指针也动态移动。

原创 set和map

Set 和 Map 的关系：都是哈希表，Map 存「键值对」（映射），Set 存「唯一值」（去重 + 查询），底层查询都是 O (1)；O (1) 的原因：通过哈希函数直接定位存储位置，不用遍历，查询时间和数据量无关；最长连续序列用 Set 的原因：去重 + O (1) 快速判断数是否存在，保证整体时间复杂度是 O (n)。

原创 两数之和。

新手不会第一题完全正常，核心是先从「暴力法」落地，再理解「最优解」，不要一开始就追求完美；「两数之和」的核心考点是哈希表的空间换时间思想，这是前端算法的高频考点，必须吃透；刷题的关键是「理解 + 手写 + 复盘」，而不是背答案，哪怕一天只搞懂 1 道题，也是有效进步。

原创 操作系统复习

进程是操作系统进行。

原创 sdau计算机网络练习题

原创 计算机网络简答题

2、在本局域网上的所有的主机上运行的ARP进程，都能收到该ARP请求分组，而主机B的IP地址与ARP请求分组中要查询的IP地址一致，就收下这个ARP请求分组，并向主机A发送一个携带自己的硬件地址的ARP响应分组。1、发送方的UDP对应用层交下来的报文，既不合并也不分组，而是添加首部后向下交付网络层，接收方的UDP，对网络层交上来的UDP用户数据报，去掉首部后原封不动的交给应用层。3、主机A在收到B发送的ARP响应分组后，就在自己的高速缓存中写入主机B的IP地址到硬件地址的映射关系。

原创 软件工程选择题

软件详细设计的主要任务是确定每个模块的：算法和使用的数据结构。case工具的表示集成是指case工具提供相同的：用户界面。软件结构图的形态特征能反映出程序重用率的是：扇入。软件可行性一般不研究：待开发的软件是否有质量问题。结构化维护与非结构化维护的主要区别：文档的完整性。提高软件的可维护性、可靠性进行的修改：预防性维护。软件维护的副作用主要有：编码、数据、文档副作用。可维护性的特征中，相互矛盾的是：效率与可修改性。系统测试的目的：测试软件在真实系统的运行情况。增量模型的主要问题是：缺乏软件工具和开发环境。

原创 人工智能简答题

主要代表成果：1943 年麦克洛奇和皮兹提出的 M-P 神经元模型；1986 年鲁梅尔哈特等人提出的 BP 反向传播算法，推动多层感知机发展。主要代表成果：1957 年 “逻辑理论家”（LT）数学定理证明程序，成功证明《数学原理》中的 38 个定理；主要代表成果：麻省理工学院研制的 6 足机器虫，通过 150 个传感器和 23 个执行器，在非结构化环境中实现灵活的防碰撞和漫游行为。代表人物：布鲁克斯教授，核心是 “感知 — 行动” 循环。代表人物：纽威尔（Newell）、西蒙（Simon）。

原创 人工智能计算题

求信任函数Bel，似然函数Pl。