m0_52186223的博客

这篇文章的主要工作在于，是将transformer引入到目标检测这一类计算机视觉的任务中，transformer的优势在于：模型的通用性和高上限(gpt是最好的例子，算力和效果正相关)；相较于以往的一阶段、二阶段的目标检测，DETR会抛弃之前的先验框，先验中心点角点这些人工设计的步骤，这个算是transfomer的附加优势，其注意力机制可以解决之前先验框问题。旧的模型中，之所以有先验框很大一部分原因是框的解空间太大了，没必要也难以穷举，于是选择人工设计一些策略来输入一些先验信息。

树链剖分是使用十分简单但却强大的数据结构，针对的树上的区间操作

莫队、带修莫队、回滚莫队、树上莫队

这是第二场多校，写完签到题，就开了1001。其实看懂题目之后，思路还是挺快就出现了，当时就给队友口胡了一种算法，如果能把C的子树染色，在把A,B每一个点到1的路径上的全部打上个标记，最后统计一下答案救过了。给定一棵根为1的树，给定点集A,B,C，能被A任意一个到达，B任意一个到达，且能达到C的任意一个的点的数量。本来打算写线段树的，但是想到就只有三种颜色，用点小技巧就可以过了,少写线段树，代码立马缩减90行。果然还是吃了没文化(数据结构)的亏，花了两天在恶补树剖，终于把这题给A了。......

DP好题给定一个长度为n的数组,其中可以通过一个操作使得相邻的两个不同的数移除序列，求经过任意次操作后，最终该序列最大能有多少个相同的数剩余。赛场上拿到这道题，想到了以下几点：对于一段序列，只有当该段序列中出现最多次数的数的次数小于整体一半，那么该段数便可以消去。于是赛场上便开始对这道题开始疯狂贪心。在快结束时，想到n2n^2n2可以去枚举i,j之间的消去性然后转移，到此比赛也结束了。赛后看了大佬的代码，确实，就是将以上两点结合起来，就可以dp了。为了判断1，我们只需要在第二重dp时，倒着扫,.

起这次题目相较于2021年有了很大变动，最大的变化就是填空题变少了，编程题数量增加。今年的填空题只有两道，还记得去年大一时学长的话，填空题全对就省一了。今年的题型变化导致身边的一些伙伴去年省一(无需编程，会数学即可)，今年就无缘国赛。尽管位次同大一一致(弱势C++B组第三)，但在体验上确实有所不同，经过了一年的努力，至少省赛的每一道题都具有AK的潜力，(正式省赛时并没有十分重视，环境也比较嘈杂）。接下来，就一起过一遍题目。试题A：九进制转十进制题目很蓝桥，手算，计算器算都可，值得一题的是，蓝桥

之前使用的编译器都是远古版本的 ，不支持c++17和c++20,想着下载个最新版本的mingw-64，就可以成为人上人。配置过程中一切正常，添加环境变量之类的操作都行云流水。直到在使用万能头文件时：在bits包中fs_path.h出现报错no match for 'operator!=' (operand types are 'std::filesystem::__cxx11::path' and 'std::filesystem::__cxx11::path')specialization of

支持向量机（Support Vector Machine）数理证明前置知识：拉格朗日数乘法、对偶问题、核技巧拉格朗日数乘法针对的是约束优化问题：例题：已知x>0,y>0,x+2y+2xy=8,则x+2y的最小值__。解：引入参数λ\lambdaλ 构造新函数L：x+2y+λ(x+2y+2xy−8)x+2y+\lambda(x+2y+2xy-8)x+2y+λ(x+2y+2xy−8)分别对x,y,λ\lambdaλ求偏导：Lx=1+λ(1+2y)=0Ly=2+λ(2+2x)=0

resnet 的残差网络机制有效的解决了网络退化问题，可以说是深度学习发展史上一座里程碑，于此记录阅读中学习到的。

什么是卷积？为什么使用卷积？卷积的优势的原理是什么？什么是可分离卷积？这篇笔记主要以花书为主，结合大佬的博客，力求从全局的角度学习。

在学习了一段时间的《机器学习实战》后，发现该书针对的是实战，有很多公式推导和原理讲解都一笔带过，于是便购买了周志华的西瓜书进行学习，这篇笔记也多来自西瓜书，主要是熟悉一些概念词。

主要思想：根据现有数据对分类边界简历回归公式，以此分类。

前言部分是对整个深度学习的发展历史的一种俯视，想要进入该领域，对整个发展的起承转合还是需要有一个了解的。从硬编码到机器学习到表示学习到深度学习，这是一个具有时间序列的发展，可以看到深度学习得发展是十分曲折，很有幸，我能站在第三次浪潮之中，希望能窥见大门。

基于概率论的分类方法：朴素贝叶斯优点：在数据较少的情况下任然有效（但是准确率也属于一言难尽），可以处理多类别问题。缺点：对于输入数据的方式较为敏感。适用数据类型：标称型数据。前置知识：条件概率，贝叶斯决策理论，相互独立相互独立：相互独立是设A，B是两事件，如果满足等式P(AB)=P(A)P(B)P(AB)=P(A)P(B)P(AB)=P(A)P(B)，则称事件A，B相互独立，简称A，B独立。条件概率：P(grey∣bucketB)P(grey|bucketB)P(grey∣bucketB)表示

决策树模型重要任务：是为了理解数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，这些机器根据数据集创建规则的过程就是机器学习的过程。优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。范例：专家系统。如何构造决策树：编写构造树的python代码度量算法成功率递归建立分类器Matplotlib绘制决策树图利用信息论划分数据集，伪代码：IF (整个数据集属于同一个类型) return 类

K-近邻算法（KNN算法）学习模式：看懂原理，理解核心，读懂代码。原理：存在一个已知标签的数据集，将待分类的数据数据集中的数据进行比较，选出相似度高的前K（一般20）个，这之中出现次数最多的标签就是未知数据的分类。优点：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。数据归一化:#避免因度量单位不同对模型的影响def autoNorm(dataSet): minVals = dataSet.min(0)#获得每一列的最小值 print(minVals

2021年济南站D题，需要求一个序列的中位数。没想到什么更快的方法，于是用了sort(),O(nlogn)O(nlog_n)O(nlogn​)。后来看到有佬用了nth_element() O(n)O(n)O(n)。学习一波。nth_element的用法和sort类似，但比sort多了一个参数。nth_element(a+l,a+k+l-1,a+r,cmp);cmp是自定义排序。该函数的作用是将第K小的元素放在第K位，由于K是相对位置，所以要注意下标。#include<bits/st

这一个弱校大二，从小白到ACMer的学习笔记，主要时用于自己的理解和记录一些自己的模板，基本上囊括了铜牌水准的知识点。

离散数学8.1 图论8.1.1 图的基本概念G = < V, E > 称为图图中结点集合的基数n称为图的阶数无序积 记作A&B={(x,y)∣x∈A,y∈B}A\&B = \{(x, y)|x\in A, y \in B \}A&B={(x,y)∣x∈A,y∈B}​无向边：无序对(x,y)(x,y)(x,y)有向边：序偶 <x,y><x,y><x,y>以x为端点的边，称为结点x的关联边从结点x到结点x的成为自环具