<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Recursions的博客]]></title><description><![CDATA[To iterate is human, to recurse divine.]]></description><link>https://blog.youkuaiyun.com/Recursions</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Recursions]]></copyright><item><title><![CDATA[238. 除自身以外数组的乘积]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/149462717</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/149462717</guid><author>Recursions</author><pubDate>Sat, 19 Jul 2025 12:05:04 +0800</pubDate><description><![CDATA[给你一个整数数组 nums，返回 数组 answer ，其中 answer[i] 等于 nums 中除 nums[i] 之外其余各元素的乘积。题目数据 保证 数组 nums之中任意元素的全部前缀元素和后缀的乘积都在  32 位 整数范围内。请 不要使用除法，且在 O(n) 时间复杂度内完成此题。示例 1:输入: nums = [1,2,3,4]输出: [24,12,8,6]示例 2:输入: nums = [-1,1,0,-3,3]输出: [0,0,9,0,0]]]></description><category></category></item><item><title><![CDATA[73. 矩阵置零]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/149452394</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/149452394</guid><author>Recursions</author><pubDate>Fri, 18 Jul 2025 20:04:24 +0800</pubDate><description><![CDATA[给定一个 m x n 的矩阵，如果一个元素为 0 ，则将其所在行和列的所有元素都设为 0。请使用 原地 算法。输入：matrix = [[0,1,2,0],[3,4,5,2],[1,3,1,5]]输入：matrix = [[1,1,1],[1,0,1],[1,1,1]]输出：[[0,0,0,0],[0,4,5,0],[0,3,1,0]]输出：[[1,0,1],[0,0,0],[1,0,1]]]]></description><category></category></item><item><title><![CDATA[56. 合并区间]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/149346087</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/149346087</guid><author>Recursions</author><pubDate>Tue, 15 Jul 2025 09:35:12 +0800</pubDate><description><![CDATA[排序是关键：用sort函数按start排好顺序merged[-1]就是上一个已经合并好的区间。]]></description><category></category></item><item><title><![CDATA[560. 和为 K 的子数组]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/149345340</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/149345340</guid><author>Recursions</author><pubDate>Tue, 15 Jul 2025 09:12:37 +0800</pubDate><description><![CDATA[👉 就是问：有没有出现过这个前缀和？出现了几次？有几次，就有几个子数组以当前结尾，和为k所以要加上这个次数。]]></description><category></category></item><item><title><![CDATA[torch.isclose]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/143276625</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/143276625</guid><author>Recursions</author><pubDate>Sun, 27 Oct 2024 22:59:51 +0800</pubDate><description><![CDATA[返回值是一个布尔类型的张量，其中每个元素表示对应位置的两个输入张量中的元素是否接近相等。是 PyTorch 中的一个函数，用于判断两个张量中的对应元素是否接近相等。]]></description><category></category></item><item><title><![CDATA[BotScreen: Trust Everybody, but Cut the Aimbots Yourself]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/143271278</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/143271278</guid><author>Recursions</author><pubDate>Sun, 27 Oct 2024 17:15:47 +0800</pubDate><description><![CDATA[威胁模型：假设自瞄作弊器在不违反游戏规则的前提下改变目标游戏进程的输入，且可根据游戏上下文操纵键盘和鼠标输入。系统架构客户端：包括游戏引擎、TEE（受信任执行环境）、DATAMANAGER和DETECTOR。客户端之间通过网络共享游戏事件信息，DATAMANAGER将接收到的事件转换为向量化数据并进行预处理，DETECTOR使用RNN模型分析射击行为，判断是否使用自瞄作弊器，并将结果发送给服务器。服务器：收集来自客户端的检测报告，综合判断玩家是否作弊。]]></description><category></category></item><item><title><![CDATA[nn.Parameter]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/143062672</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/143062672</guid><author>Recursions</author><pubDate>Fri, 18 Oct 2024 21:25:51 +0800</pubDate><description><![CDATA[【代码】nn.Parameter。]]></description><category></category></item><item><title><![CDATA[PatchEmbed]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/143062556</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/143062556</guid><author>Recursions</author><pubDate>Fri, 18 Oct 2024 21:19:00 +0800</pubDate><description><![CDATA[在这个示例中，我们首先定义了输入图像的大小、patch 的大小和目标嵌入维度。然后，我们创建了一个。进行处理，得到嵌入后的 patches，并打印出其形状。接着，我们模拟了一个包含。个图像的输入张量，每个图像有。最后，我们将输入图像通过。]]></description><category></category></item><item><title><![CDATA[操作系统课程设计题目:操作系统模拟系统]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142972698</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142972698</guid><author>Recursions</author><pubDate>Wed, 16 Oct 2024 10:14:54 +0800</pubDate><description><![CDATA[组队协作模式:每1~4人一组，自由组队，做好组内分工，每组提交一份。基本内容:设计一个允许多进程运行和管理的模拟系统，该系统应包括。法)、状态切换(包括阻塞和唤醒、挂起和激活等原语操作)、互斥、同步、通信、死锁处理、内存分配(分配回收、换入换出等)、外存访。给分原则:实现的编程语言不限定，但实现的功能越多，系统越合理完。(但不限于):进程的控制、调度(实现至少两种经典的进程调度算。结合系统的设计与实现，课程设计报告，但需在课程设计报告上明确各位成员的分工和职责。善，课程设计报告越详尽，最终得分越高!]]></description><category></category></item><item><title><![CDATA[temporal action localization]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142954995</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142954995</guid><author>Recursions</author><pubDate>Tue, 15 Oct 2024 15:10:06 +0800</pubDate><description><![CDATA[在现实生活中，大量的视频数据不断产生，如何有效地分析和理解这些视频内容成为了一个关键问题。Temporal Action Localization 任务对于视频内容分析、视频检索、智能监控、人机交互等领域都有着至关重要的作用。Temporal Action Localization（时间动作定位）是计算机视觉领域中一项具有挑战性的任务，主要目标是在未修剪的长视频中准确地定位动作发生的时间区间，并确定动作的类别。]]></description><category></category></item><item><title><![CDATA[nn.Embedding]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142864035</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142864035</guid><author>Recursions</author><pubDate>Fri, 11 Oct 2024 21:47:06 +0800</pubDate><description><![CDATA[在PyTorch中，使用。来创建一个嵌入层实例。]]></description><category></category></item><item><title><![CDATA[nn.Identity()]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142832133</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142832133</guid><author>Recursions</author><pubDate>Thu, 10 Oct 2024 20:58:27 +0800</pubDate><description><![CDATA[是一个简单的模块，它的作用是在模型中作为一个占位符或者不进行任何操作的层，直接返回输入。实例，然后将一个随机生成的张量通过这个层，输出将与输入完全相同。在 PyTorch 中，在上述代码中，创建了一个。]]></description><category></category></item><item><title><![CDATA[RepVGG: Making VGG-style ConvNets Great Again(CVPR 2021)]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142821127</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142821127</guid><author>Recursions</author><pubDate>Thu, 10 Oct 2024 14:33:58 +0800</pubDate><description><![CDATA[（3）1x1卷积的表征能力弱于3x3卷积，因为前者可以看作一个有很多参数为0的3x3卷积，但是1x1 + 3x3的性能却好于3x3 + 3x3，一个强结构加一个弱结构大概率好于两个强结构相加。参考官方在ResNet-50/101的最后两个阶段使用Dilated Convolution，RepVGG的最后两个阶段使用Dilated Convolution。（1）推理时的等价性不代表训练时的等价性，直接训练一个 3x3 卷积最终也会得到同样形状的参数，虽然形状相同，但性能不同。]]></description><category></category></item><item><title><![CDATA[深度分离卷积]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142788406</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142788406</guid><author>Recursions</author><pubDate>Wed, 09 Oct 2024 15:36:23 +0800</pubDate><description><![CDATA[深度可分离卷积通过分解标准卷积，降低了计算量与参数量，是轻量级模型设计中的关键技术，特别适用于对计算资源要求较高的移动和嵌入式设备。]]></description><category></category></item><item><title><![CDATA[Group Convolution（组卷积）]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142788176</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142788176</guid><author>Recursions</author><pubDate>Wed, 09 Oct 2024 15:29:29 +0800</pubDate><description><![CDATA[组卷积的实现非常简单，主要通过groups参数来控制通道的分组，减少计算量和参数量，同时提高卷积层的效率。]]></description><category></category></item><item><title><![CDATA[SEBlock]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142769577</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142769577</guid><author>Recursions</author><pubDate>Tue, 08 Oct 2024 21:13:41 +0800</pubDate><description><![CDATA[SEBlock（Squeeze-and-Excitation Block）即压缩和激励模块，在深度学习中尤其是计算机视觉任务中被广泛应用。在实际使用中，可以将 SEBlock 插入到现有的神经网络架构中，例如在卷积层之后，以提高模型的性能。方法实现了 SEBlock 的前向传播过程，包括压缩、激励和重加权操作。方法初始化了模块的各个部分，包括全局平均池化和全连接层。这段代码定义了一个 SEBlock 类，其中。]]></description><category></category></item><item><title><![CDATA[python中assert用法]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142769541</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142769541</guid><author>Recursions</author><pubDate>Tue, 08 Oct 2024 21:11:36 +0800</pubDate><description><![CDATA[语句可能会被忽略，因为优化器可能会认为断言检查是不必要的开销。所以在生产环境中，应该谨慎使用。需要注意的是，在生产环境中，如果使用了优化选项（例如。语句用于进行断言检查。，或者使用其他更可靠的错误处理机制。）运行 Python 程序，不大于 5，程序会抛出。在 Python 中，如果断言失败，会抛出。]]></description><category></category></item><item><title><![CDATA[ADE20K数据集]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142709374</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142709374</guid><author>Recursions</author><pubDate>Sat, 05 Oct 2024 00:06:49 +0800</pubDate><description><![CDATA[ADE20K 是一个大规模的场景解析数据集（scene parsing dataset），主要用于语义分割任务。该数据集由麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）创建。它包含广泛的场景和物体类别，涵盖室内、室外、自然、城市、家庭等各种场景。]]></description><category></category></item><item><title><![CDATA[self-supervised, weakly supervised, and supervised respectively区别]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/142600979</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/142600979</guid><author>Recursions</author><pubDate>Fri, 27 Sep 2024 19:39:10 +0800</pubDate><description><![CDATA[综上所述，监督学习、弱监督学习和自监督学习在数据要求、学习原理和应用场景等方面存在明显的区别。在实际应用中，可以根据具体的问题和数据情况选择合适的学习范式。]]></description><category></category></item><item><title><![CDATA[Fréchet Inception Distance（FID）原理]]></title><link>https://blog.youkuaiyun.com/Recursions/article/details/141865322</link><guid>https://blog.youkuaiyun.com/Recursions/article/details/141865322</guid><author>Recursions</author><pubDate>Tue, 03 Sep 2024 16:35:17 +0800</pubDate><description><![CDATA[综上所述，FID 综合考虑了均值和协方差的差异，从而给出一个数值来量化生成图像的特征分布与真实图像的特征分布的相似度。较小的 FID 值表示生成图像的特征分布更接近真实图像，意味着生成模型的性能更好。FID 的核心思想是通过比较真实图像和生成图像在 Inception 模型特征空间中的分布差异，来评估生成模型的性能。它假设从真实数据和生成数据中提取的特征都近似服从高斯分布。FID 定义为两个多元高斯分布（分别由真实图像特征和生成图像特征的均值和协方差描述）之间的 Fréchet 距离。]]></description><category></category></item></channel></rss>