m0_74878305的博客

原创 thumos14数据集学习

工具进行标注，文件格式是.xgtf，是xml文件，包含信息有：视频基本信息（帧数、帧率、尺寸等）、类别名称、起止帧号（framespan）。训练阶段：使用 .mp4 视频文件作为输入，通过 I3D 网络 提取 RGB 特征 与 光流特征，结合数据集中提供的视频级标签（包含视频名称及对应的动作类别）进行训练。视频 Embedding 是从视频中学习一个低维、稠密、浮点的特征向量，用以概括视频内容。动作识别是指在视频中识别并分类发生的动作，模型不仅要分析视频中每帧图像的静态内容，还需学习视频帧之间的时序关系。

原创 如何用pytorch实现神经网络2

使用mini batch的风格，一次性把三个结果求出来。

原创 pytorch深度学习1

深度学习，构建模型--对整个进行训练基于规则的系统VS表示学习--从数据进行训练模型选择--scikit-learn官方给出模型训练过程：梯度下降算法找到局部最优点，难找到全局最优 在深度神经网络中没有很多局部最优点，但存在很多鞍点（梯度为0）--》就没办法继续迭代，不能更新权重梯度下降计算： cost是所有样本算出来的 随机选一个单个样本的损失对权重求导，进行权重更新。可以跳出局部最优（因为每次方向不一样，有噪声）性能好，时间复杂度高找一个折中：👇若干个一组从 loss 沿着计算图回到参数

原创 目标检测我来惹2-SPPNet

RCNN慢在哪？上千个候选区域经过卷积太耗时。

原创 目标检测我来惹1 R-CNN

识别图像中有哪些物体和位置目标检测算法原理：记住算法的识别流程、解决问题用到的关键技术。

原创 【人工智能】大题

原创 【人工智能导论】7.8.9

通过本章内容学习，学生能够了解机器学习的基本概念，能够对不同机器学习方法进行分类，掌握深度学习的基本原理，了解专家系统的产生和发展，正确认识专家系统在人工智能发展过程中的重要历史地位，能够理解产生式系统与专家系统的区别与联系，了解专家系统的构造工具。通过本章内容学习，学生能够正确理解粒子群优化算法公式中各部分含义，能够应用粒子群优化算法算法求解车辆路径问题，能够正确理解蚁群算法模型，能够对基本蚁群算法的改进模型进行评价，能够应用蚁群算法模型进行复杂工程问题求解。17、卷积是一种有效提取图片特征的方法。

原创 确定性推理 归结

归结是在子句集中对于互补文字进行合一并​​​​​​​消去，得到一个新的子句。​​​​​​-----归结式。

原创 人工智能导论复习 第一、二章

知识图谱是一种互联网环境下的知识表示方式。由一组相互连接的实体和属性构成。（实体1，关系，实体2）

原创 【人工智能导论】不确定性推理方法

1、如果证据E的出现使得结论H一定程度为真，则可信度因子（ ）参考答案：CCH(H,E) 是度量证据 E对结论 H可信度的影响。表示证据 EEE 对结论 HHH 的可信度有一定的支持，但并不完全确定，也就是说，证据的影响是有限的。表示证据对结论没有支持，一无所知表示证据完全支持结论。2、在可信度方法中，若证据A的可信度CF（F）=0, 这意味着（ ）A、证据A可信B、对证据A一无所知C、没有意义D、证据A不可信参考答案：B。

原创 【人工智能导论】第2.3章知识表示、确定性推理

1、李明的父亲是教师，用谓词逻辑可以表示为Teacher（father（Liming））这里father（Liming）是（ ）A、常量B、变元C、函数 X的父亲D、一元谓词 x是老师2、定义谓词Like(x,y) 表示x喜欢y，个体域为全体人类，以下表示“每个人都有喜欢的人”含义的 谓词公式是( )B3、对于谓词公式，以下说法错误的是（ C）A、上述公式中的所有 y 是自由变元B、P(x, y) 中的 x 是约束变元C、R(x, y) 中的 x 是约束变元。

原创 DFS 全排列和子集排列

给定一个不含重复数字的数组nums，返回其所有可能的全排列。按照任意顺序返回答案1 2 3// 存储输入的原始数组（从命令行读入）int n = 0;// 记录数组实际长度// 当前构造的排列// 标记某个数字是否被用过（值为true表示已用）// 深度优先搜索函数：递归构造排列// 终止条件：当前已经放了n个数字，排列完成i < n;return;// 枚举当前这一层可以选择的每个数字i < n;i++) {

原创 移动零--双指针

j代表在前面放了几个非零的数，在数组中由nums[j]开始往后改写为0.双指针，把非零移动到前面，后面改为0。

原创 滑动窗口-窗口中的最大/小值-单调队列

/滑动窗口最大值用单调队列q[]，q存储候选最大值的下标//队列头是最大值的下标// hh 是队头指针，tt 是队尾指针，初始为空队列int n,k;cin>>n>>k;i<n;//把当前下标i加入队尾//i必须滑动完第一个窗口，开始输出nums[q[hh]]

原创 滑动窗口--字符串和数字

/定义一个哈希表。给定一个长度为 nn 的整数序列，请找出最长的不包含重复的数的连续区间，输出它的长度。while (window[s[i]] > 1) {//有重复次数。第二行包含 nn 个整数（均在 0∼1050∼105 范围内），表示整数序列。给定一个字符串s，请你找出其中不含有重复字符的 最长子串 的长度。共一行，包含一个整数，表示最长的不包含重复的数的连续区间的长度。//读取整行，包括空格。一个整数，表示答案。移除j左边字符，是J。

原创 【无标题】

/要得到小数，所以浮点型除法。if(total%2 ==1)//是奇数，直接中间的数字。

原创 无标题oc

原创 【打卡D8】用sort排序！！！

/ 输出vector a的第i个元素，并在后面加上一个空格。// 使用vector的begin和end来定义排序范围。// 读取一个整数并存储到vector a的第i个位置。// 使用vector存储输入的n个整数。// 使用while循环处理多组测试数据，直到输入结束 (EOF)// 使用for循环读取n个整数并存储在vector a中。// 使用sort对vector a进行排序。//x大于y，x在y前面，降序。// 输出排序后的vector a。

原创 特征增强金字塔FPN

该架构通过自上而下的路径和横向连接将低分辨率、语义强的特征与高分辨率、语义弱的特征相结合应用：在sliding window proposers (Region Proposal Network, RPN 区域提议网络）和region-based detectors (Fast R-CNN) 中应用来自 <

原创 【打卡d7】高精度加减乘除

vector<int>：存储int类型元素的动态数组。用于表示大整数的每一位数字。vector的大小是动态的，可以根据需要增加或减少元素的个数。还有等。// 添加1到末尾// 添加2到末尾// 访问第一个元素，输出1// 获取 vector 中的元素个数，输出2// 删除末尾元素（2）大整数包含过多数字，大整数的大小可能超过了int、long long 的表示范围，将大整数的数字拆开按位存储在两个A和B中，逆序存储，最低位在前。

原创 【打卡D6】二分法

x = 3，整数二分算法模板 —— 模板题 AcWing 789. 数的范围bool check(int x) {/* ... */} // 检查x是否满足某种性质// 区间[l, r]被划分成[l, mid]和[mid + 1, r]时使用：if (check(mid)r = mid;// check()判断mid是否满足某种性质return l;

原创 【打卡d5】快速排序 归并排序

/ 左边数组剩余元素。while (i <= mid && j <= r) // 合并两个有序子数组。// 递归右边子数组。，将两个有序子数组合并成一个有序的大数组，递归地合并直到整个数组有序。// 递归左边子数组。

原创 【打卡d4】日期类--分组输入

（二月改为 29 天）。，确保正确计算日期。

原创 【打卡d3】字符串类

3，遍历字符串且判断字符串的值str[i]是否 str[i]>='A'&&str[i]<='Z'3.从第二个字符遍历，检查这个字符的前一个字符是否为空白符。若是，则是首字符，转换为大写。1 定义一个整型数组，初始化为0，存储每个字母出现的次数，下标0对应字母A,4，是大写字母--存到整型数组中：计算该字母对应的数组下标。题目描述：输入一行字符串，计算A-Z大写字母出现的次数。2，定义字符串变量str ：string str;单词的首字母，若是小写字母，则转换成大写字母。5.输出结果：遍历数组。

原创 【打卡d2】多组输入 进制转换类

多组输入:(题目中标明)：输入一个整数（例如123），将其转换为反序之后的整数（例如321：将一个转化为一个。：将一个转化为一个。：将一个转化为一个。通过n % 10n / 10a0int a;int b=0;cin>>a;//取出最后一位数//b初始为0，逐渐由最后一位数往前顶a = a/10;//整除，去除最后一位数return 0;

原创 【打卡d1】算法模拟类

题目1题目描述:某百货公司为了促销，采用购物打折的优惠方法，每位顾客一次购物:在1000元以上者，按9.5 折优惠;在2000以上者，按9折优惠;在3000以上者，按8.5 折优惠;在5000 以上者，按8折优惠;编写程序，购物款数，计算并输出优惠价。输入样例:850123050003560输出样例:dicountdiscount。

原创 【c++】vscode配置gcc

【代码】【c++】vscode配置gcc。

原创 基于 LeNet 网络的 MNIST 数据集图像分类

名称：MNIST手写数字数据集数据类型：灰度图 （一通道）图像大小：28*28类别数：10类（数字0-9）

原创 【D2】神经网络初步学习

Net#包含常见函数，比如激活函数relu，池化操作maxpoolclass Net(nn.Module):#定义神经网络类Net，继承于nn.Moduledef __init__(self):#定义构造函数，用来定义网络各个层super(Net, self).__init__()#调用父类nn.module的构造函数# 卷积层 '1'表示输入图片为单通道的灰度图像, '6'表示输出通道数，'5'表示卷积核为5*5# 卷积层# 仿射层/全连接层，y = Wx + b。

原创 【springboot+vue】项目简介

1、显示员工信息：页面加载时，通过 GET 请求从数据库获取员工列表，使用分页插件（PageHelper）实现分页查询，每页显示10条数据。2、增删改查操作：新增员工：管理员填写表单（姓名、密码、手机号、角色），后端通过 INSERT 语句写入数据库，手机号需校验11位数字格式。

原创 【springboot+vue】分页查询

分页查询是一种用于分割大量数据的查询方式，它将数据分成多页，每页只返回部分数据。这样可以有效避免一次查询返回的数据量过大，造成性能问题。

原创 软件测试复习【填空题】

4、兼容性测试：硬件兼容性测试、数据兼容性测试、系统版本之间的兼容性测试。负载测试是通过改变系统负载方式、增加负载等来发现系统中所存在的性能问题。6、在测试Windows发现吞吐量超过300页系统处于失效的状态，属于。3、性能测试类型：性能验证测试、性能基准测试、性能规划测试、容量测试。5、技术评审是对产品以及各阶段的输出内容技术性评估，焦点在技术实现上。需要针对不用维度的变化执行，包括 时间维、负载维、系统维。指老的版本的软硬件可以使用新版本的软硬件产生的数据‌。1、缺陷的生命周期：打开、修正、关闭。

原创 软件测试复习【简答题】

缺陷优先级：p1级:立即解决，p2级：高优先级，p3级：正常排队，p4级:低优先级。2、缺陷严重，由于技术限制或第三方产品的限制，暂时没法修正，休闲级低。3、简述自动化测试相对于手工测试的优点，自动化测试工具，应用范围。4、负载测试和性能测试的过程。缺陷严重性：0级致命，1级严重，2级一般，3级较小。5、众多测试风险中，我们要关注哪些影响可能最大的风险？例外：1、缺陷不严重，但影响下面测试的执行，优先级高。2、软件测试按不同的划分方法，有不同的分类，描述。3、黑盒测试和白盒测试的应用特点？

原创 软件测试复习一

1、在软件测试中，哪种测试方法主要用于检查程序模块之间的接口？BA单元测试--基本组成单元B集成测试--单元之间的接口C系统测试D验收测试2、下列哪一项不是黑盒测试技术的一部分？A等价类划分B边界值分析C路径覆盖 --白盒测试D因果图黑盒测试方式：等价类划分、边界值分析、因果分析、决策表分析、正交实验设计3、哪个术语描述了当一个错误被修复时引入的新错误？AA回归缺陷（回归错误）B副作用C兼容性问题D性能瓶颈。

原创 图像相似度-＞属性定义

表示单位长度内的像素密度，通常以像素每英寸（PPI，Pixel Per Inch）为单位。模型基于色调（Hue）、饱和度（Saturation）和亮度（Value），更符合人类对颜色的感知方式。：表示颜色的类型（如红色、蓝色、绿色等），在色轮上用角度表示，范围为 0° 到 360°。是灰度图像中每个像素亮度的数值表示，范围通常是 0（黑色）到 255（白色）。：表示颜色的明暗程度，范围从 0%（黑色）到 100%（最亮的颜色）。：表示颜色的纯度或强度，范围从 0%（灰色）到 100%（纯色）。

原创 数据库绪论知识导图

原创 数据库选择知识点

26.已知表 T1 和 T2 的字段定义完全相同，T1 有5条不同数据，T2 有5条不同数据，其中 T1 有2条数据存在表 T2 中，语句 SELECT * FROM T1。18.下面关于DECIMAL(5, 3)的说法中,正确的是：5表示数据的长度,3表示小数点后的位数。4数据库系统的数据独立性：不会因为系统数据存储结构和数据逻辑结构的改变而影响应用程序。22.SELECT…9.创建数据表时，下列哪个数据类型的宽度是不可以省略的：CHAR。中的所有记录，以及与之匹配的左表 table_a 中的记录。

原创 爬虫网页内容生成html

明确网站url数据内容 ->html。

原创 【数据库】mysql基础（...

create schema 模式名 authorization 用户名。

原创 LSTM股票预测学习

【代码】LSTM股票预测学习。