微软100题-天天做-第36题

Microsoft 365商业版订阅全解析:F1/F3/F5与E1/E3/E5的核心差异与应用场景 本文全面解析Microsoft 365商业版订阅方案,详细对比F1/F3/F5与E1/E3/E5的核心功能差异与应用场景。从一线员工的精简版F系列到功能完整的企业级E系列,帮助您根据员工类型、需求和预算做出最优选择,避免常见部署错误,实现高效成本控制。 阅读详情

发布一个k8s部署视频:https://edu.youkuaiyun.com/course/detail/26967

课程内容:各种k8s部署方式。包括minikube部署,kubeadm部署,kubeasz部署,rancher部署,k3s部署。包括开发测试环境部署k8s,和生产环境部署k8s。

腾讯课堂连接地址https://ke.qq.com/course/478827?taid=4373109931462251&tuin=ba64518

第二个视频发布  https://edu.youkuaiyun.com/course/detail/27109

腾讯课堂连接地址https://ke.qq.com/course/484107?tuin=ba64518

介绍主要的k8s资源的使用配置和命令。包括configmap,pod,service,replicaset,namespace,deployment,daemonset,ingress,pv,pvc,sc,role,rolebinding,clusterrole,clusterrolebinding,secret,serviceaccount,statefulset,job,cronjob,podDisruptionbudget,podSecurityPolicy,networkPolicy,resourceQuota,limitrange,endpoint,event,conponentstatus,node,apiservice,controllerRevision等。

第三个视频发布:https://edu.youkuaiyun.com/course/detail/27574

详细介绍helm命令,学习helm chart语法,编写helm chart。深入分析各项目源码,学习编写helm插件
————————————————------------------------------------------------------------------------------------------------------------------

36.引用自网友:longzuo(运算)
谷歌笔试:
n支队伍比赛,分别编号为0,1,2。。。。n-1,已知它们之间的实力对比关系,
存储在一个二维数组w[n][n]中,w[i][j] 的值代表编号为i,j的队伍中更强的一支。

所以w[i][j]=i 或者j,现在给出它们的出场顺序,并存储在数组order[n]中,
比如order[n] = {4,3,5,8,1......},那么第一轮比赛就是 4对3, 5对8。.......
胜者晋级,败者淘汰,同一轮淘汰的所有队伍排名不再细分,即可以随便排,
下一轮由上一轮的胜者按照顺序,再依次两两比,比如可能是4对5,直至出现第一名

编程实现,给出二维数组w,一维数组order 和 用于输出比赛名次的数组result[n],
求出result。

 

package com.microsoft;

import java.util.Random;

public class Competetion {
	private int[][]w;
	private int n;
	private int []order;
	private int[]result;
	public Competetion(int n){
		this.n=n;
		w=new int[n][n];
		for(int i=0;i<n;i++){
			for(int j=0;j<n;j++){
				int random=new Random().nextInt(2);
				if(random==1){
					w[i][j]=i;
				}else{
					w[i][j]=j;
				}
			}
		}
		order=new int[n];
		for(int i=0;i<n;i++){
			order[i]=i;
		}
		int rest=n;
		while(rest>0){
			rest--;
			int r1=new Random().nextInt(n);
			int r2=new Random().nextInt(n);
			int tmp=order[r1];
			order[r1]=order[r2];
			order[r2]=tmp;
			
		}
		result=new int[n];
	}
	public void competetion(){
		competetion(1);
		buildResult();
	}
	private void buildResult(){
		int max=Integer.MIN_VALUE;
		for(int i=0;i<result.length;i++){
			max=Math.max(max, result[i]);
		}
		for(int i=0;i<result.length;i++){
			result[i]=max+1-result[i];
		}
	}
	public void competetion(int depth){
		int leave=0;
		int index=-1;
		for(int i=0;i<result.length;i++){
			if(result[i]==0){
				leave++;
				index=i;
			}
		}
		if(leave==0){
			return;
		}
		if(leave==1){
			result[index]=depth;
			return;
		}
		for(int i=0;i<order.length;){
			int left=-1;
			int right=-1;
			if(result[order[i]]==0){
				left=order[i];
				for(int j=i+1;j<order.length;j++){
					if(result[order[j]]==0){
						right=order[j];
						i=j+1;
						break;
					}
				}
			}else{
				i++;
				continue;
			}
			if(right==-1){
				break;
			}
			if(left!=-1&&right!=-1){
				if(w[left][right]==left){
					result[right]=depth;
				}else{
					result[left]=depth;
				}
			}
		}
		competetion(depth+1);
	}
	public void print(){
		for(int i=0;i<order.length;i++){
			System.out.print(order[i]+" ");
		}
		System.out.println();
		System.out.println("result:");
		for(int i=0;i<result.length;i++){
			System.out.print(result[i]+" ");
		}
	}
	public static void main(String[] args) {
		Competetion c=new Competetion(10);
		c.competetion();
		c.print();

	}

}

 

 

 

 

 

GPT-4稀疏激活真相:MoE架构如何实现2%参数高效推理 大模型稀疏激活是现代AI推理的核心优化机制,其本质源于Mixture of Experts(MoE)架构对计算资源的动态调度原理。通过将庞大模型拆分为多个专家子网络,并由轻量级路由器按需激活Top-K专家,系统在保持总参数规模(如1.8万亿)的同时,显著降低单次前向计算量(约360亿参数),从而突破显存墙与算力瓶颈。该技术不仅提升GPU利用率、降低延迟抖动,更重塑了推理成本结构与部署范式。开发者需理解其物理实现约束(如全量权重仍需常驻显存),并围绕路由友好性、专家熵、会话连续性等维度进行工程优化。本文深入解 阅读详情

相关推荐

GPT-4的1.8万亿参数与2%激活率:MoE稀疏激活原理与工程实践

大语言模型中的稀疏激活(Sparse Activation)是提升推理效率的关键范式,其核心在于混合专家(MoE)架构通过动态路由机制,仅激活部分参数完成前向计算。这一设计既降低显存带宽压力,又维持模型表达能力,技术价值体现在显著减少单token实际计算负载、优化GPU资源利用率,并支撑长上下文稳定服务。典型应用场景包括私有化RAG系统部署、高并发API服务及低成本边缘推理。本文基于实测数据与硬件约束反推,深入解析GPT-4所代表的1.8万亿参数规模与约2%参数激活率背后的MoE结构逻辑、路由动态性与工程调

cuxiong8996的博客 365

JAVA项目之天天酷跑-Day01

JAVA项目之天天酷跑-Day01登陆界面制作分析要求创建LoginFrame类LoginFrame类的构造函数给用户名以及密码标签设置属性设置Label布局并添加到Frame中完善用户名输入框和密码输入框设计登录按钮为登录按钮绑定事件监听完善取消按钮创建面板设置Frame的基本属性设置Frame的logoLoginPanel类的实现设置背景图片重写paint方法问题对功能进行检验密码用户名为空密码用户名错误 项目借鉴: https://blog.youkuaiyun.com/qq_45909299 登陆界面制作 分析

qq_46263036的博客 972

KV Cache原理与工程实践:大模型推理加速核心机制

KV Cache是大语言模型自回归推理中用于缓存Key/Value中间状态的关键机制,其本质是通过避免重复计算历史上下文来显著提升解码效率。它基于Attention机制的数学特性,在保持模型结构不变的前提下重构推理时序,实现延迟降低65%、吞吐翻3倍的实际效果。技术价值体现在显存-计算的动态平衡上,需结合精度裁剪、滑动窗口、分页管理(如PagedAttention)等策略应对长上下文与高并发挑战。典型应用场景包括实时对话系统、代码补全、法律文书生成等对低延迟与长程依赖均有要求的任务。本文深入解析KV Cac

weixin_30873847的博客 401

王炸!!微软终于对 JDK 下手了…

整理:郑丽媛授权转自公众号:优快云(ID:优快云news)前天美国最高法院刚裁定谷歌在 Android 系统中使用的 Java API 代码合理,第二天微软就发布了 Microsoft...

cainiao_python的博客 341

数字IC时序约束实战:深入解析clock_uncertainty的设置策略与后端影响

本文深入探讨数字IC设计中clock_uncertainty的设置策略及其对后端实现的影响。通过分析时钟不确定度的组成(包括clock_skew、clock_jitter和margin),并结合实际项目经验,详细介绍了在不同设计阶段(综合、布局布线、签核)的动态调整方法。文章还提供了工程化处理参数来源、跨时钟域特殊处理以及优化时序收敛的实用技巧,帮助工程师提升数字IC设计的可靠性和性能。

weixin_29284657的博客 230

【NVIDIA Jetson Orin系列 - 安装NVIDIA SDK Manager】

NVIDIA Jetson Orin - 安装NVIDIA SDK Manager

dally2的博客 2695

36岁的我为何还会选择python?它到底好在哪里

36岁的我为何还会选择python?它到底好在哪里,python副业月入过w

喜欢Python编程的程序员柚柚呀 466

深入浅出ISP:用RKISP2.x Tuner工具理解AWB、AE、HDR等核心模块的实战调参

本文深入解析RKISP2.x Tuner工具在ISP图像处理中的实战应用,重点探讨AWB、AE、HDR等核心模块的调参技巧。通过环境搭建、调试工具使用和实际案例,帮助开发者掌握如何在不同光照条件下优化图像质量,实现精准的白平衡、曝光控制和动态范围处理。

weixin_26802933的博客 489

苹果降低应用商店收入一半分成、Twitter视频分享功能 Fleet、百度36亿美元收购 YY|Decode the Week...

Decode the Week≠音视频技术周刊Picture from The Internet><News Briefing1.Twitter推出短视频分享功能F...

LiveVideoStack 502

BPC坏点矫正

whatis the Bad Pixel? 坏点为死点,也就是基本不随照度变化呈现光电线性转换的关系。表现为暗态常亮,亮态常暗。 坏点分类:静态坏点:亮坏点,暗坏点。 动态坏点:在一定像素范围内,该点表现正常,而超过这一范围,该点表现的比周围像素要亮。与sensor ...

camerall 1万+

FTU电科院检测学习笔记-规划

如果写到最后,还非常的有动力和兴趣,可能会举出一些特定的例子来,但不保证一定是这样。

sixtome 1104

【转】BAT机器学习面试1000题系列

BAT机器学习面试1000题系列 整理:July、元超、立娜、德伟、贾茹、王剑、AntZ、孟莹等众人。本系列大部分题目来源于公开网络,取之分享,用之分享,且在撰写答案过程中若引用他人解析则必注明原作者及来源链接。另,不少答案得到寒小阳、管博士、张雨石、王赟、褚博士等七月在线名师审校。 说明:本系列作为国内首个AI题库,首发于七月在线实验室公众号上:j...

柏拉图工作室-AI学科 1万+

Spring AI Alibaba实战训练营-16 NL2SQL (自然语言转 SQL)应用开发指南

本文介绍了一个基于AI的智能BI应用开发项目,主要实现自然语言转SQL(NL2SQL)功能,包含对话模块、MCP模块、向量数据管理模块。项目采用Spring AI Alibaba框架,集成通义千问大模型,支持内存向量库和AnalyticDB向量数据库两种存储方案。重点展示了chat模块的三个控制器实现:AnalyticNl2SqlController用于生产环境,SimpleChatController适用于开发测试,Nl2sqlForGraphController支持基于图的复杂对话流程。系统通过将业务知

program哲学 1589

移动的一个比微软所有漏洞加起来都要严重的漏洞

我发现拉中国移动一个及其严重的漏洞,它对手机用户造成的影响绝对超过目前为止微软windows系统所有漏洞加起来造成的危害。 目前我需要各位猫猫回答我两个问题,以便我验证是否正确,注意我已经在小范围内做过调查,现在需要各位猫猫的帮忙,以便我从统计学方面验证这个漏洞的可行行。 我只需要100个回答,谢谢各位的帮忙。 1、请问你多久查询一次你的通话详单(就是你的手机具体打或接过那些电话,发过那些短信)。

诺亚之舟的胡言乱语 1076

分享一个完整的KANO问卷(包含正反问题和选项设置)

本文介绍了KANO模型问卷的设计与应用,用于评估功能需求优先级。问卷包含基本信息、功能评估(正反问题设计)、界面评估及开放问题,选项定义明确(如"非常喜欢"到"很不喜欢")。数据清洗规则包括剔除矛盾回答和注意力检验。通过量化编码和矩阵分析,将需求分为魅力型、期望型、必备型等类别。示例数据显示健康监测为必备型(72%),电子围栏为期望型(45%),适老化改造为无差异型(38%)。该模型为产品决策提供客观量化依据。

从技术实践立足,从项目管理方法论延伸思考 1797

基于四旋翼模型的火箭型无人机视线角保持控制仿真设计

本文针对火箭型无人机的视线角保持控制问题展开研究。基于四旋翼动力学模型,通过改造设计了一种摄像头朝上安装的特殊无人机系统,用于追踪空中目标。文章详细推导了坐标系定义、运动学和动力学方程,重点分析了摄像头安装与视线几何关系,建立了目标运动模型和视线向量计算方法。通过解算期望姿态角,实现了使机体Z轴始终对准目标的控制目标。仿真结果表明,该系统能有效完成视线角保持任务,为空对空监视等应用场景提供了可行方案。~~~~~

huanghm88的专栏 143

01 | 互联网科技巨头与资本追逐元宇宙,他们在追逐什么?

你好,我是方军。在2021年早些时候,Facebook创始人马克·扎克伯格说,“元宇宙就是下一代互联网”。到了10月底,他把公司更名为META,也就是元宇宙公司(META是Metaverse的词根,也就是元宇宙的“元”)。在全世界范围内,这个公司更名的动作引起了人们对于元宇宙的大讨论。请你回想一下,当时你是怎么想的?我给你分享一下我当时的第一反应。我想起了1995年的比尔·盖茨,如果说扎克伯格是互...

优快云学习 455

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

互联网科技巨头与资本追逐元宇宙,他们在追逐什么?

你想象中的元宇宙,是什么样子的呢?

gotea456的博客 5172

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

一周极客分享2019年11月-第3周

一周极客分享2019年11月-第3周 本周极客周刊语录:当你简单地看待一件事情时,事情就会变得简单;当你看待一件事情复杂时,它就会变得比你想象中还复杂。把事情变简单的法宝是:明确你的 原则和立场、你为人处世的行为标准。 理论基础 程序员需要了解的硬核知识之操作系统和应用程序设计的5个底层逻辑,决定你能走多快如何彻底搞懂 Java 数据结构?|优快云 博文精选如何回答性能优化的问题,...

ndsckm的专栏 877

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

GPT-4稀疏激活原理:1.8万亿参数为何仅用2%?

大模型中的稀疏激活(Sparse Activation)是一种通过动态路由选择部分专家参与计算的高效推理机制,其核心在于MoE(Mixture of Experts)架构与Top-k路由策略的协同设计。它并非简单跳过参数,而是基于token语义特征实时决策计算路径,在保障模型能力的前提下显著降低显存占用、计算开销与能耗。技术价值体现在推理延迟可控、单卡部署可行、成本大幅优化——例如GPT-4在A100上实现约72GB显存驻留与毫秒级响应,正是依赖每token约2%参数量的实际激活。典型应用场景包括高并发AP

chuchen7021的博客 382

李开复:人生是场与时间作战的旅行

转载于:https://news.cnblogs.com/n/575347/   编者按:本文来自微信公众号“李开复”(ID:kaifu),作者李开复   多个朋友在我的微信文章《培养独立自主孩子的 10 个原则》后提问:   开复,你的这些教育理念非常好,但是执行成本实在是太高了,现在的年轻家长,每天上班能控制在 12 个小时(不含吃饭时间)以内,已经算难得了,也没有周末时间。根...

weixin_30267697的博客 142

GPT-4参数量与激活率的技术真相:1.8万亿不是模型大小,2%不是固定开关

大语言模型的参数量是衡量其规模的基础概念,但常被误解为实际运行时的计算开销或存储体积;MoE(Mixture of Experts)架构则进一步引入‘激活率’这一动态指标,反映每步前向传播中实际参与计算的参数比例。其核心原理在于:参数总量决定模型容量上限与硬件寻址需求,而激活率由路由策略(如top-k采样)、负载均衡机制和输入特征共同决定,属于统计均值而非硬编码阈值。这一区分直接关系到推理显存预估、GPU选型、云服务计费及提示词工程优化。本文聚焦GPT-4广为流传的‘1.8万亿参数+2%激活率’说法,拆解其

weixin_33908217的博客 318

csdn 专题专栏资源摘录

专栏名称 专栏分类 作者 支持率 1 经典算法研究 编程语言 v_JULY_v 2 程序员编程艺术 编程语言 v_JULY_v 3 一个程序员的奋斗史 综合 norains 4 微软面试100题系列 编程语言 v_JULY_v 5 微软每

小龙王2010 1468

全球网安行业缺少350万安全专家?

给小伙伴们的意见是想清楚,自学网络安全没有捷径,相比而言系统的网络安全是最节省成本的方式,因为能够帮你节省大量的时间和精力成本。给自学的小伙伴们的意见是坚持住,既然已经走到这条路上,虽然前途看似困难重重,只要咬牙坚持,最终会收到你想要的效果。

shandongjiushen的博客 957

全球网安行业缺少350万安全专家? 志愿你别乱填,缺的是专家,不是0经验的牛马

给小伙伴们的意见是想清楚,自学网络安全没有捷径,相比而言系统的网络安全是最节省成本的方式,因为能够帮你节省大量的时间和精力成本。给自学的小伙伴们的意见是坚持住,既然已经走到这条路上,虽然前途看似困难重重,只要咬牙坚持,最终会收到你想要的效果。

QIANDXX的博客 782
上一篇: 微软100题-天天做-第35题
下一篇: 微软100题-天天做-第37题
hxpjava1
博客等级 码龄19年 1365粉丝 511原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

hxpjava1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值