<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gu_xin_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gu_xin_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gu_xin_]]></copyright><item><title><![CDATA[day 26 第八章 贪心算法 part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/159695919</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/159695919</guid><author>gu_xin_</author><pubDate>Tue, 31 Mar 2026 21:21:20 +0800</pubDate><description><![CDATA[从最大的孩子胃口开始遍历，如果当前饼干能满足当前孩子的胃口，则结果加一，并移动饼干指针。，遍历数组计算相邻元素的差值。当差值符号发生变化时，说明出现摆动，结果加一，并更新。变为负数，则重置为 0，因为负数会拖累后续的和。在遍历过程中记录最大的。遍历数组，维护一个累积和。，初始化饼干数组的指针。]]></description><category></category></item><item><title><![CDATA[day 25 第七章 回溯算法part04代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/159437675</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/159437675</guid><author>gu_xin_</author><pubDate>Tue, 24 Mar 2026 23:58:55 +0800</pubDate><description><![CDATA[排序后相同的元素会相邻，便于在回溯过程中跳过重复元素。这是处理含重复元素组合/子集问题的标准预处理步骤。这是回溯算法中用于将当前元素加入临时路径的关键操作。]]></description><category></category></item><item><title><![CDATA[day 23 第七章 回溯算法part02代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/159397748</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/159397748</guid><author>gu_xin_</author><pubDate>Tue, 24 Mar 2026 00:04:16 +0800</pubDate><description><![CDATA[倒序计算确保状态转移时依赖的子问题已解决，即在i行时, i+1行已经计算好了。排序候选数组是必要的预处理步骤，确保后续剪枝操作的有效性。通过循环遍历候选数组，利用条件。实现剪枝，避免无效搜索。递归调用时传递当前索引。需处理重复元素以避免结果重复。跳过同一树层的重复元素。动态规划预处理回文信息，，允许元素重复使用。]]></description><category></category></item><item><title><![CDATA[day 22 第七章 回溯算法part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/159293092</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/159293092</guid><author>gu_xin_</author><pubDate>Sat, 21 Mar 2026 00:17:20 +0800</pubDate><description><![CDATA[多个集合间的组合问题，每个数字对应独立的字符集合。：输入为空字符串时需特殊处理。]]></description><category></category></item><item><title><![CDATA[day 13 第六章 二叉树 part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/159132228</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/159132228</guid><author>gu_xin_</author><pubDate>Mon, 16 Mar 2026 23:50:28 +0800</pubDate><description><![CDATA[如果一棵二叉树只有度为0的结点和度为2的结点，并且度为0的结点在同一层上，则这棵二叉树为满二叉树。。除了最底层节点可能没填满外，其余每层节点数都达到最大值，并且最下面一层的节点都集中在该层最左边的若干位置。若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值；若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值；它的左、右子树也分别为二叉排序树。它是一棵空树或它的左右两个子树的高度差的绝对值不超过1，并且左右两个子树都是一棵平衡二叉树。]]></description><category></category></item><item><title><![CDATA[day 11 第五章 栈与队列part02代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/156114265</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/156114265</guid><author>gu_xin_</author><pubDate>Sat, 20 Dec 2025 18:30:55 +0800</pubDate><description><![CDATA[deque 两端操作高效：支持在队列头部（front） 和尾部（back） 快速插入 / 删除元素（时间复杂度 O (1)），这是它区别于普通队列（仅尾部插、头部删）和数组（头部操作 O (n)）的关键；插入新元素时，从队尾弹出比它小的元素（用 pop_back()），while 批量清理 ，保证队列单调递减；遍历字符串数组，数字直接入栈，运算符则弹出栈顶两个元素进行运算（后弹出的数 运算符 先弹出的数），结果重新入栈。遍历哈希表，维护堆大小为 K，最终堆中元素即为前 K 个高频元素，逆序输出结果。]]></description><category></category></item><item><title><![CDATA[day 10 第五章 栈与队列part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/156028854</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/156028854</guid><author>gu_xin_</author><pubDate>Wed, 17 Dec 2025 23:00:02 +0800</pubDate><description><![CDATA[MyQueue()：是 MyQueue 类的无参构造函数，名称必须和类名完全一致，没有返回值（连 void 都不能写）这里函数体为空，是因为示例中 MyQueue 类的成员（stIn、stOut 两个栈）是 C++ 标准库的 stack 类型 —— 标准库容器会自动调用自身的默认构造函数完成初始化，因此无需手动写初始化逻辑。peek() 获取队列头部元素（不删除）时，复用（this->显式调用当前对象的其他成员方法 / 属性，增强代码可读性）弹出逻辑，但需将弹出的元素重新压回输出栈。），另一个栈负责输出（]]></description><category></category></item><item><title><![CDATA[day 9 第四章 字符串part02代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/155990561</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/155990561</guid><author>gu_xin_</author><pubDate>Tue, 16 Dec 2025 22:08:21 +0800</pubDate><description><![CDATA[而文本串的指针 i 无需手动递增 —— 因为 i 是 for 循环的循环变量，每次循环会自动 i++，继续遍历下一个文本字符。最长相等前后缀的长度 = len(p） × (n-1)（因为要留 1 个 p 不重叠，否则就覆盖整个串了）。因此：len(s) - 最长相等前后缀长度 = len(p），即 “不包含的子串” 就是 p。原串长度 = 最小重复子串长度 × 重复次数（len(s) = len(p） × n）。在字符串处理中，反转单词需要先处理多余空格，再逐个反转单词。]]></description><category></category></item><item><title><![CDATA[day 8第四章 字符串part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/155191741</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/155191741</guid><author>gu_xin_</author><pubDate>Mon, 24 Nov 2025 21:25:59 +0800</pubDate><description><![CDATA[双指针技巧：适用于原地修改或反转问题。分段处理：通过调整循环步长或条件实现规律性操作。逆向填充：避免多次移动元素，提升效率。]]></description><category></category></item><item><title><![CDATA[day 7第三章 哈希表part02代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/155073488</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/155073488</guid><author>gu_xin_</author><pubDate>Thu, 20 Nov 2025 18:41:35 +0800</pubDate><description><![CDATA[使用长度为26的数组记录杂志中各字母的出现次数，遍历赎金信字符串时递减对应字母的计数。若某字母计数不足，立即返回失败。使用哈希表记录前两个数组元素之和及其出现次数，再遍历后两个数组查找匹配的键值。通过数组统计字符频率，判断杂志字符串能否构成赎金信。采用排序加双指针法，避免重复解并优化时间复杂度。扩展三数之和的思路，增加一层循环并处理整型溢出。，双指针在剩余区间内搜索目标值。存在于哈希表中，累加对应次数到结果中。需注意跳过重复元素。类型避免溢出，并跳过重复解。，值为该和出现的次数。排序后固定前两个元素。]]></description><category></category></item><item><title><![CDATA[day 6第三章 哈希表part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/154804739</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/154804739</guid><author>gu_xin_</author><pubDate>Tue, 18 Nov 2025 12:19:43 +0800</pubDate><description><![CDATA[遍历数组时，实时查询哈希表中是否存在与当前元素匹配的补数（target - nums[i]）。使用哈希集合（unordered_set）记录每次计算过程中的中间结果。std::unordered_map 底层实现为哈希表，std::map 和std::multimap 的底层实现是红黑树。对象本身的内存大小，与字符串内容无关。该值在编译期确定，通常包含指针、大小等成员变量，因此对于不同长度的字符串结果相同。该数组用于统计每个字母出现的次数，适用于比较两个字符串是否为字母异位词（即字母组成相同但顺序不同）。]]></description><category></category></item><item><title><![CDATA[day 3第二章 链表part01代码随想录算法训练营71期]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/154804171</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/154804171</guid><author>gu_xin_</author><pubDate>Thu, 13 Nov 2025 23:42:19 +0800</pubDate><description><![CDATA[函数的作用是在指定位置插入新节点。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习 3.3 交叉熵与对数似然]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146574868</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146574868</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:33:14 +0800</pubDate><description><![CDATA[网站主要围绕信息论相关概念及其在分类问题中的应用展开。信息论基础概念信息论研究消息传递，涉及编码、传输和解码。熵衡量随机事件不确定性，不确定性大熵大。自信息定义为负对数概率，满足可加性。熵编码与应用熵可用于编码，理论上是最优平均编码长度。符号出现概率与编码长度成反比实现最优编码。交叉熵概念剖析交叉熵是用分布q编码分布p的平均编码长度。分布p、q越相似，交叉熵越小，可衡量差异。KL散度的理解KL散度是用q近似p时信息量的损失。分布差异越大，KL散度越大。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习3.2 线性分类模型]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146573967</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146573967</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:30:39 +0800</pubDate><description><![CDATA[网站主要讲解 Logistic 回归，它是线性分类模型。先将分类问题转化为条件概率估计问题，引入 Logistic 函数（sigmoid 函数）将判别函数值从实数空间映射到 0 - 1 之间作为概率。对于二分类问题，只需估计P(Y=1∣X) ，进而得到P(Y=0∣X)。线性分类模型基于线性回归模型构建线性分类模型需离散化函数处理分类问题线性分类模型本质是找线性决策边界。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习3.1 分类问题示例]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146573836</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146573836</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:26:25 +0800</pubDate><description><![CDATA[网站主要围绕模型选择以及偏差方差分解展开，为深度学习学习与研究提供了系统知识。模型选择方法引入验证集可辅助选择模型。数据量不足时用交叉验证。AIC、BIC准则能指导模型选择。偏差 - 方差分解原理期望风险可分解为偏差、方差和噪声。偏差衡量平均模型与最优模型差距。方差体现模型在不同数据集的稳定性。偏差 - 方差与模型性能关系理想模型是低偏差、低方差。欠拟合表现为高偏差、低方差。过拟合对应高方差、低偏差。基于偏差 - 方差的模型选择策略依据偏差方差和最小化选模型复杂度。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习3 线性模型]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146573606</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146573606</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:23:45 +0800</pubDate><description><![CDATA[3 线性模型网站
本讲在线性分类器部分，聚焦分类问题中的线性模型，如感知器、Logistic回归、Softmax回归、SVM等。讲完本讲线性分类器后，下次课将开始讲解非线性分类器（各种神经网络模型）。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习2.10 常用的定理]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146573354</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146573354</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:19:59 +0800</pubDate><description><![CDATA[网站主要围绕模型选择以及偏差方差分解展开，帮助学习者理解模型性能的影响因素和优化策略。模型选择的方法引入验证集挑选错误最小的模型。数据量不足时采用交叉验证。依据AIC、BIC准则指导选择。偏差方差分解原理期望风险可分解为偏差、方差和噪声。偏差衡量平均模型与最优模型差距。方差反映模型在不同数据集的波动。偏差方差与模型性能关系理想模型是低偏差、低方差。高偏差、低方差源于模型能力不足。高方差、低偏差通常是过拟合表现。基于偏差方差的模型选择策略寻找模型复杂度与期望风险和的最低点。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习2.9 模型选择与“偏差-方差”分解]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146572844</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146572844</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:16:11 +0800</pubDate><description><![CDATA[网站聚焦逻辑回归模型，它属于线性分类模型，由线性判别函数和阈值函数构成。由于原模型决策函数不可导，难以用数学优化方法求解参数，故将分类问题转化为概率估计问题。名称辨析：Logistic回归有多种译名，如对数几率回归、逻辑斯蒂回归，翻译为逻辑回归易与“logic”混淆，不太准确。模型结构：属于线性分类模型，由线性判别函数 (f(x;w)) 和决策函数（一般为阈值函数，如 (f(x) > 0) 时 (y = 1)，(f(x) < 0) 时 (y = 0)）构成。]]></description><category></category></item><item><title><![CDATA[神经网络与深度学习2.8 线性回归的概率视角]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146572351</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146572351</guid><author>gu_xin_</author><pubDate>Thu, 27 Mar 2025 22:07:17 +0800</pubDate><description><![CDATA[网站学于2025年3月27日主要围绕从概率视角重新审视线性回归问题展开。逻辑回归模型介绍逻辑回归有多种译名，“逻辑回归”易混淆。线性分类模型由线性判别和决策函数构成。逻辑回归学习准则原决策函数不可导，需定义连续损失函数。用交叉熵建立损失函数衡量估计概率准确性。条件概率估计问题将分类问题转换为条件概率估计问题。二分类只需预估一个类别概率，另一个可算出。激活函数的选择需找能将实数映射到0 - 1的挤压性质函数。介绍logistic函数，可用于条件概率建模。交叉熵与真实条件概率。]]></description><category></category></item><item><title><![CDATA[图像色彩空间转换]]></title><link>https://blog.youkuaiyun.com/gu_xin_/article/details/146282262</link><guid>https://blog.youkuaiyun.com/gu_xin_/article/details/146282262</guid><author>gu_xin_</author><pubDate>Sat, 15 Mar 2025 17:44:51 +0800</pubDate><description><![CDATA[本次视频是OpenCV 4快速入门30讲的第二课，主要围绕图像色彩空间转换和保存展开教学，帮助开发者加深对OpenCV开发框架的理解。namedWindow("输入窗口", WINDOW_FREERATIO);imshow("输入窗口", src);return 0;]]></description><category></category></item></channel></rss>