github_39605284的博客

leetcode-链表操作

github_39605284 — Thu, 16 Dec 2021 10:27:02 +0800

反转部分反转删除重复元素删除倒数第k个节点环形链表环形链表入口相交链表

leetcode-第k大的数、最小的k个数

github_39605284 — Wed, 15 Dec 2021 16:39:33 +0800

剑指 Offer 40. 最小的k个数 class Solution: def getLeastNumbers(self, arr: List[int], k: int) -> List[int]: def partition(arr, l, r): #选定中值 pivotvalue = arr[l] lmark = l + 1 rmark = r done

leetcode--矩阵遍历与搜索

github_39605284 — Wed, 15 Dec 2021 12:42:27 +0800

54. 螺旋矩阵 class Solution(object): def spiralOrder(self, matrix): res = [] row, col= len(matrix)-1, len(matrix[0])-1 i, j = 0, 0 while i<=row and j <=col: if i == row: for x in range(j, c

leetcode-二叉搜索树先关题目

github_39605284 — Tue, 14 Dec 2021 21:24:38 +0800

653. 两数之和 IV - 输入 BST class Solution(object): def findTarget(self, root, k): def inorder(node): if not node: return [] return inorder(node.left) + [node.val] + inorder(node.right) alist =

leetcode-零钱问题

github_39605284 — Tue, 14 Dec 2021 11:37:37 +0800

无限放取+方法数 arr里都是正数，没有重复，每一个值代表一种货币，每一种都可以用无限张，最终要找零钱是aim，找零方法数放回递归入参 process(arr, index, rest) 自由使用arr[index…] 所有的面值需要搞定的钱数rest 返回找零的方法数终止条件，决定dp表的一些初始位置，非常重要 if index == arr.length: resturn rest == 1 if rest==0 else 0 递归方程 way = 0 zhang = 0 while

leetcode-同事总结的热门代码题

github_39605284 — Tue, 14 Dec 2021 09:24:05 +0800

最大公共子序列最大公共子串最长递增子序列最长递增子串连续子数组的最大和连续子数组的最大乘积最长回文子串子数组和为k 连续子数组和为k

leetcode-旋转数组相关题目解答

github_39605284 — Mon, 13 Dec 2021 17:44:15 +0800

33. 搜索旋转排序数组 153. 寻找旋转排序数组中的最小值 154. 寻找旋转排序数组中的最小值 II []

leetcode之两、三、四、最近接之和题目

github_39605284 — Mon, 13 Dec 2021 14:57:06 +0800

1. 两数之和 class Solution(object): def twoSum(self, nums, target): d = {} for i in range(len(nums)): diff = target - nums[i] if diff in d: return [i, d[diff]] d[nums[i]] = i

leetcode-合并有序数组、链表系列题目解法总结

github_39605284 — Sun, 12 Dec 2021 19:55:09 +0800

展示内容：一次遍历将结果输出、而不是判断大小、再做其他冗余处理 88题合并两个有序数组版本一 class Solution: def merge(self , A, m, B, n): if n ==0: return A if m ==0: A[:] = B[:] return A total, m, n = m+n-1, m-1, n-1 while m>=0 or n&

tf estimator debug

github_39605284 — Thu, 21 Oct 2021 13:39:35 +0800

How to print tensor in Tensorflow custom estimator for debugging?

tf.newaxis vs tf.expand_dims

github_39605284 — Wed, 15 Sep 2021 13:20:29 +0800

There is no real difference between the three, but sometimes one or the other may be more convenient: What’s the difference between using tf.expand_dims and tf.newaxis in Tensorflow?

afm_layer

github_39605284 — Sat, 11 Sep 2021 12:39:39 +0800

# coding=utf-8 import itertools import tensorflow as tf from tensorflow.keras import Model from tensorflow.keras.regularizers import l2 from tensorflow.keras.layers import Embedding, Dense, Dropout, Input from tensorflow.keras.layers import Layer class .

CIN_layer

github_39605284 — Sat, 11 Sep 2021 11:03:45 +0800

#coding=utf-8 import tensorflow as tf from tensorflow.python.keras.layers import Concatenate,Conv1D,Reshape ## 只计算其中一层交叉的结果 def compressed_interaction_net(x0, xl, D, n_filters): """ @param x0: 原始输入 @param xl: 第l层的输入 @param D: embedding d.

deep_cross_layer

github_39605284 — Fri, 10 Sep 2021 18:49:49 +0800

#coding=utf-8 import tensorflow as tf from tensorflow.keras.layers import Dense, ReLU, Layer class DeepCrossLater(Layer): def __init__(self,dim_stack, name=None): """ :param hidden_unit: A list. Neural network hidden units. :pa

tf-矩阵相关知识

github_39605284 — Mon, 06 Sep 2021 17:23:28 +0800

1、向量 or 矩阵 # 向量(3,) v1 = tf.constant([ 1, 2, 3]) print(v1.shape) ## 矩阵(3, 1) v2 = tf.constant([ [1], [2], [3]]) print(v2.shape) 2、最后一维升维 ## 矩阵最后一维增加维度 q = tf.constant([ [ 1, 2, 3],

机器学习概念理解（持续更新）

github_39605284 — Fri, 03 Sep 2021 12:54:07 +0800

Q:模型优化的直接目标为什么是loss A：loss 是由损失函数决定的，损失函数定义了真实值与预测值之间的差距 loss代表了模型对数据拟合的程度，loss越小，说明模型对数据拟合得越好

nc 跨机房传输文件

github_39605284 — Tue, 31 Aug 2021 11:23:15 +0800

本地机器： nc -l 7001 > filename.zip 远端机器：nc 192.168.17.223 10013 < filename.zip

tf keras 训练过程简述

github_39605284 — Fri, 27 Aug 2021 11:31:29 +0800

持续更新。。。。。。。

tf.keras.layer介绍

github_39605284 — Wed, 25 Aug 2021 13:52:59 +0800

通过继承tf.keras.layer 实现自定义层的最佳方法是继承tf.keras.Layer类并实现： init ，在其中进行所有与输入无关的变量或常量的初始化 build，在其中知道输入张量的形状，并可以进行其余的初始化 call，在这里进行前向传播逻辑的计算的定义请注意，不必等到build被调用才创建变量，也可以在__init__中直接定义。但是，在build中创建变量的好处在于，可以根据build的参数 input shape来自动调整变量的shape。而在__init__中创建变量意味着需要显

tf2.x函数签名

github_39605284 — Wed, 25 Aug 2021 11:28:15 +0800

一般说法： input_signature的好处： 1.可以限定函数的输入类型，以防止调用函数时调错， 2．一个函数有了input_signature之后，在tensorflow里边才可以保存成savedmodel。在保存成savedmodel的过程中，需要使用get_concrete_function函数把一个tf.function标注的普通的python函数变成带有图定义的函数。使用经验：当一个函数被@tf.function 比较后，可以使用get_concrete_function 然后传入原函数