<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[a_145133的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a_145133</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a_145133]]></copyright><item><title><![CDATA[coze工作流报错{ “$warning“: “workflow cancel by system“ }]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/162238585</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/162238585</guid><author>a_145133</author><pubDate>Tue, 23 Jun 2026 16:38:14 +0800</pubDate><description><![CDATA[coze工作流报错{ "$warning": "workflow cancel by system" }]]></description><category></category></item><item><title><![CDATA[import accimage报错，accimage安装]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/139661235</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/139661235</guid><author>a_145133</author><pubDate>Thu, 13 Jun 2024 18:09:02 +0800</pubDate><description><![CDATA[使用终端命令安装：]]></description><category></category></item><item><title><![CDATA[数据集处理]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/135223133</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/135223133</guid><author>a_145133</author><pubDate>Tue, 26 Dec 2023 15:23:20 +0800</pubDate><description><![CDATA[针对图像融合数据被包含在很多小文件夹中，将红外和RGB图片分别整理在两个文件夹中，这里针对TNO数据集。]]></description><category></category></item><item><title><![CDATA[蓝桥-一些细节]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/134297154</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/134297154</guid><author>a_145133</author><pubDate>Wed, 08 Nov 2023 19:54:22 +0800</pubDate><description><![CDATA[注意这里的边长a,b,c为实数，所以需要注意输入数据转为float，而我一开始习惯性转为int值，导致错误。P5708 【深基2.习2】三角形面积。]]></description><category></category></item><item><title><![CDATA[划分数据集]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/134148805</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/134148805</guid><author>a_145133</author><pubDate>Tue, 31 Oct 2023 20:41:38 +0800</pubDate><description><![CDATA[【代码】划分数据集。]]></description><category></category></item><item><title><![CDATA[unrecognized arguments: --local-rank=1报错解决]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130567847</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130567847</guid><author>a_145133</author><pubDate>Tue, 09 May 2023 01:45:00 +0800</pubDate><description><![CDATA[这里我在train.py脚本文件中果然没有找到–local-rank参数，在很多的parser.add_argument后添加一行parser.add_argument(“–local-rank”, type=int)，注意在最后添加而不是刚开始，如果刚开始添加会导致传入参数不匹配而报错。含义：表明在运行 train.py 脚本时，传递了一个未被识别的参数 --local-rank=1。]]></description><category></category></item><item><title><![CDATA[unhandled cuda error, NCCL version 2.10.3报错解决]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130567510</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130567510</guid><author>a_145133</author><pubDate>Mon, 08 May 2023 21:21:13 +0800</pubDate><description><![CDATA[这个警告并不会导致代码运行中止，但是给了我启发，我觉得可能就是torch版本与cuda版本不匹配，自然与NCCL也不匹配，于是我删除了torch，使用pytorch官网提供的与本电脑匹配的安装命令行来安装，安装后果然问题解决。在运行这个模型时，我是直接使用require.txt来配置环境的，但是使用这个配置环境是比较死板的，并没有考虑到每个人的电脑本身的各项参数配置。分析：NCCL:一般来是是在配置cuda时就已经配置好了对应版本的NCCL了。之后根据pytorch官网给的命令安装pytorch即可。]]></description><category></category></item><item><title><![CDATA[torch.stack(）]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130374181</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130374181</guid><author>a_145133</author><pubDate>Tue, 25 Apr 2023 21:10:20 +0800</pubDate><description><![CDATA[torch.stack() 是 PyTorch 中的一个函数，用于将多个张量沿着新的维度进行堆叠。需要注意的是，torch.stack() 函数要求所有被堆叠的张量的形状必须相同。此外，堆叠后的张量的维度数目将比原先多一维。将 seq 序列中的每个张量视为一行，构建一个新的二维张量（即矩阵），其中第。其中，第一行表示 a 张量中的元素，第二行表示 b 张量中的元素。在指定的 dim 维度上对这些行进行堆叠，从而得到一个新的张量。]]></description><category></category></item><item><title><![CDATA[torch.gather()解释与使用]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130372704</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130372704</guid><author>a_145133</author><pubDate>Tue, 25 Apr 2023 20:46:35 +0800</pubDate><description><![CDATA[具体而言，torch.gather(input, dim, index) 的作用是根据 dim 维度上的 index 索引值，从 input 张量中提取对应位置的数据，并组合成一个新的张量返回。其中，output 张量的第一行表示从 input 张量的第 0 行中提取了第 0 列和第 2 列的数据（即 [1, 3]），第二行表示从第 1 行中提取了第 1 列和第 3 列的数据（即 [6, 8]），第三行表示从第 2 行中提取了第 0 列和第 1 列的数据（即 [9, 10]）。例如，假设有一个形状为。]]></description><category></category></item><item><title><![CDATA[L1 loss 是什么]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130349903</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130349903</guid><author>a_145133</author><pubDate>Mon, 24 Apr 2023 19:20:55 +0800</pubDate><description><![CDATA[与L2 Loss（也称为Mean Squared Error）相比，L1 Loss更加鲁棒，对于异常值（outliers）的容忍性更高。因此，在某些需要考虑异常值的任务中，例如目标检测、人脸识别等领域，L1 Loss被广泛应用。L1 Loss（也称为Mean Absolute Error）是深度学习中常用的一种损失函数，用于衡量模型预测结果与真实标签之间的平均绝对误差。表示模型对于样本i的预测标签。将每个样本的绝对误差取平均值，得到L1 Loss。表示样本i的真实标签（ground truth），]]></description><category></category></item><item><title><![CDATA[2016年第七届java A组蓝桥杯省赛真题（python解题）]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130336507</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130336507</guid><author>a_145133</author><pubDate>Mon, 24 Apr 2023 14:05:16 +0800</pubDate><description><![CDATA[有一堆煤球，堆成三角棱锥形。具体：第一层放1个，第二层3个（排列成三角形），第三层6个（排列成三角形），第四层10个（排列成三角形），如果一共有100层，共有多少个煤球？请填表示煤球总数目的数字。注意：你提交的应该是一个整数，不要填写任何多余的内容或说明性文字。]]></description><category></category></item><item><title><![CDATA[csdn使用markdown]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/130336473</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/130336473</guid><author>a_145133</author><pubDate>Mon, 24 Apr 2023 10:05:43 +0800</pubDate><description><![CDATA[你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + S]]></description><category></category></item><item><title><![CDATA[PREV-264 砝码称重【第十二届】【省赛】【C组】python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128889093</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128889093</guid><author>a_145133</author><pubDate>Sun, 05 Feb 2023 11:21:32 +0800</pubDate><description><![CDATA[n = int(input())
weights = list(map(int,input().split()))
nums = [set() for i in range(n)]
nums[0].add(weights[0])
nums[0].add(0)
for i in range(1,n):
    nums[i].add(weights[i])
    for j in nums[i-1]:
        nums[i].add(j)
        nums[i].add(j+weights[]]></description><category></category></item><item><title><![CDATA[ALGO-936 砝码称重]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128821047</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128821047</guid><author>a_145133</author><pubDate>Tue, 31 Jan 2023 17:34:16 +0800</pubDate><description><![CDATA[n = int(input())
nums = list(map(int,input().split()))
weights = []
w = 0
def wf(weights,w,nums,i):
    if i==n:
        if w not in weights:
            weights.append(w)
    else:
        wf(weights,w,nums,i+1)
        wf(weights,w+nums[i],nums,i+1)


w]]></description><category></category></item><item><title><![CDATA[ALGO-20 VIP试题 求先序排列 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128770048</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128770048</guid><author>a_145133</author><pubDate>Fri, 27 Jan 2023 12:36:16 +0800</pubDate><description><![CDATA[思路：后序遍历（左右中）的最后一个节点肯定是树的根节点。找到根节点之后，在中序遍历（左中右）中，根节点的左边的节点都是左子树的节点，右边的点都是右子树的点。这样就可以找到中序遍历的左子树和右子树，根据左子树和右子树可以在后序遍历中找到后序遍历的左子树和右子树。接着使用递归继续分别找左子树和右子树的根节点、左子树、右子树。

由于需要打印先序遍历（中左右）所有在递归过程中，每次找到根节点都先打印出来，然后先递归左子树在递归右子树。]]></description><category></category></item><item><title><![CDATA[ALGO-17 VIP试题 乘积最大 动态规划 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128762185</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128762185</guid><author>a_145133</author><pubDate>Wed, 25 Jan 2023 19:49:30 +0800</pubDate><description><![CDATA[思路：动态规划思想，dp[a][b]表示从0到a的一列数字有b个乘号时的最大结果。定义函数count(list)计算list数组的数字组成的值为多少。比如count([1,3,2])返回值132。

状态转移方程：

dp[a][b] = max(dp[a-i][b-1]*count(list[a-i+1:i+1]))，当b = 0 时，dp[a][0] = count(list[0:a+1])]]></description><category></category></item><item><title><![CDATA[ALGO-15 VIP试题 旅行家的预算 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128753166</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128753166</guid><author>a_145133</author><pubDate>Mon, 23 Jan 2023 17:06:28 +0800</pubDate><description><![CDATA[思路：使用贪心思想，记录在各个加油站时油箱中有多少油，在从i站到i+1站这段路时，回看以往没有加满油的加油站哪个比较便宜，在便宜的那个加油站补加这段路需要的油，补加完还不行则继续在别的油箱没满的站点寻找可以补加的站。具体过程看代码及分析]]></description><category></category></item><item><title><![CDATA[ALGO-9 VIP试题 摆动序列 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128738142</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128738142</guid><author>a_145133</author><pubDate>Thu, 19 Jan 2023 22:55:58 +0800</pubDate><description><![CDATA[如果一个序列满足下面的性质，我们就将它称为摆动序列：
　　1. 序列中的所有数都是不大于k的正整数；
　　2. 序列中至少有两个数。
　　3. 序列中的数两两不相等；
　　4. 如果第i – 1个数比第i – 2个数大，则第i个数比第i – 2个数小；如果第i – 1个数比第i – 2个数小，则第i个数比第i – 2个数大。
　　比如，当k = 3时，有下面几个这样的序列：]]></description><category></category></item><item><title><![CDATA[ALGO-8 操作格子 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128736637</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128736637</guid><author>a_145133</author><pubDate>Thu, 19 Jan 2023 17:43:41 +0800</pubDate><description><![CDATA[如果了解了线段树问题就会很简单。简单的使用线段树就可以在Logn的时间复杂度下求得结果。算是空间换时间，提前将每段数据保存在树的每个节点中，最后只需要查找或者修改部分节点即可。满分通过！]]></description><category></category></item><item><title><![CDATA[ALGO-6 安慰奶牛 蓝桥 python]]></title><link>https://blog.youkuaiyun.com/a_145133/article/details/128719144</link><guid>https://blog.youkuaiyun.com/a_145133/article/details/128719144</guid><author>a_145133</author><pubDate>Tue, 17 Jan 2023 18:11:38 +0800</pubDate><description><![CDATA[思路：首先应该找最小生成树，再找起点。在图纸上尝试总结规律之后发现，只有最小生成树才有可能得到最小结果。得到最小生成树后，无论怎么走，经过某一条边以及在两个节点停留总共花费的时间都是两边节点时间加上两倍的路程时间，最后还要另外加上终点所需要的时间。

解题：二维数组方式生成图，m[][0],m[][1]代表两端的节点序号,m[][3]代表总共走过这段路花费的时间，也就是两端节点的时间加上两倍路上的时间。我们要在m中找到最小生成树。这里使用kruskal算法时间复杂度会低一点，不了解的同学可以去了解一下。]]></description><category></category></item></channel></rss>