8/12训练日记

最新推荐文章于 2025-04-03 17:51:57 发布
最新推荐文章于 2025-04-03 17:51:57 发布
阅读量8.8k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 训练日记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_43280520/article/details/99354929

今天开始了新的篇章——数论！

数论一直都是代码的重点呢！无论是从数字方面，还是从几何方面，都不算是什么容易的东西……

所以数论一定要——好好背模板……

今天开到了最大公约数！

最开始讲的还是我们的老朋友素数和约数，无论是以前做题、网上找题解，都能发现n种求解素数、约数的代码，而且一个比一个省时间！

判断素数，老方法，1~sqrt(n)试试能不能整除。

求素数，老方法+1，循环1~n，不是素数的倍数也不是素数，用一个visit[]数组标记一下，防止超时。

线性筛法暂时背不熟，这里……默写不过，看倒是看得懂，实际上想法跟上面那个有点相似，也要标记，而且要用一个数组存储所有的质数，总之这个方法没有上面的那个好用好背，我觉得现在这个水平还是看上面那俩老方法就挺好。

质因数分解，很久以前做题的时候，求质因数个数的时候，见到过类似的代码，因为看不懂而印象深刻（是记不住的那种印象深刻……），现在再看，可以理解了，比较明了，很好的方法，一看就知道不会超时，因为n本身就在随着i（因子）的变化而变化，i越大，n就会变得越小。

中心思想：2~sqrt(n)遍历，遇到是因数并且是质数的，就放在数组里面，并且从n里面除去所有的i。最后判断你、本身是不是质数（最后的结果留下大于1说明除不尽，是质数，要加到质数的数组里面，否则不加）。

约数也是比较常考，但是最开始的那些东西啊，真的很不好背唉，那都是一些什么东西啊！混蛋，看不懂，以前也没有考过，所以就不想看……然后导致后面有个例题看不懂……呜呜呜，好难背啊这里。

求n的约数很简单，就是一个个的遍历，并且约数都是成对出现的，i是，那么n/i也是，放到数组里面就好了。

1~n的稍微有点难，因为n本身的话时间复杂度为根号n，这样字就变成了n倍的根号N，最一般的情况下都会超时，所以要用一个新的办法：二维的动态数组。

每次找到一个i，它的倍数i*j的因子就一定有i，这时候把i放进下标为i*j的第二维数组里面就好。

其实也很简单啦~

最大公约数那个辗转相除法、辗转相加法什么的，应该都很熟悉，就是时间久了有点容易忘事！还要再去网上找一找模板在背背。

今晚上！练习打字的时候，到了第三个复习的关卡！超开心！可惜的是打着打着就烦了，就打不下去了……呜，没耐心！

但是啊！今晚的博客，可是我努力不看键盘，放好手指，尽力一个字一个字打出来的！而且我发现，果然专门去背过按键的位置是十分的不靠谱的！完全没有我不看键盘随便打来的准、来的快！

好开心！这是实实在在的进步啊！下次继续努力！

《Python星球日记》 第75天：模型选择与训练
Code_流苏：在代码中寻诗意，在实践中觅真知
05-15 410
《Python星球日记》 第75天：模型选择与训练，在人工智能项目中，我们已经完成了数据准备、特征工程等前期工作，现在面临两个关键决策：选择什么模型来解决我们的问题，以及如何高效训练这个模型。
《Python星球日记》 第68天：BERT 与预训练模型
最新发布
Code_流苏：在代码中寻诗意，在实践中觅真知
05-14 1029
《Python星球日记》 第68天：BERT 与预训练模型，今天我们将深入探索自然语言处理领域的重要突破——BERT模型，了解它如何通过预训练和微调来处理各种NLP任务，以及如何使用**Hugging Face Transformers**库快速实现BERT的应用。
2018.8.6训练日记8
sdau20171989的博客
08-06 9391
今天看了部分例题，能习惯读英语题了，读不出的也差不多能猜 :) 来来回回就那几个单词，抽空会整理一下 :) 这几天在抽空做推导题，刻意地去训练自己的思维 :) 效率效率效率，咋着才能提一提呢 :( 今天get到的小知识： (1)0是奇数，0不是素数； (2)PHP math 函数  ---> 链接http://www.w3school.com.cn/php/php_ref_mat...
2017/8/12训练日记（单调栈）
胖亚亚的小酒馆
08-12 315
今天网站原因着实没做多少题  |_>) 今天做的题，除了几个二分的变形，还有就是和单调栈有关的内容 单调栈其实就是单调递增或者单调递减的栈，也没啥特殊的； 单调栈只能在栈顶进行操作 而维护单调栈就是必须保持原栈的单调性不变； 从数组的角度阐述单调栈的性质： 给定一个包含若干个整数的数组，我们从第 1 个元素开始依次加入单调栈里，并且加入后更新单调栈。 那么单调栈有这样
12/4实习日记
weixin_46532327的博客
12-04 845
你可以通过 SSH 连接到远程主机并管理模型文件。使用ls查看远程主机上存储的模型文件。通过nvidia-smi查看 GPU 使用情况，确保模型评估时不影响其他任务。使用scp或rsync命令来上传或下载模型文件。如果你有更具体的需求（例如如何使用特定工具评估模型，或者如何优化性能），可以继续提问。4o mini你已成功连接到远程主机。你可以使用ls查看模型目录，nvidia-smi查看 GPU 状态，pip或apt-get安装依赖。还可以检查系统更新并安装可用的安全更新。
8月12日训练日记
★探梦少年☆的博客
08-12 123
今天的目标不是很明确，，本打算看新的，也没成，，杂着补了一些题，加上还是回看了前三章的内容，，看到搜索感觉还有一些题目不是很理解，，还是不扎实啊，，遇到不会的就解决呗，，也许就是要这样不断补充的。 时间也不早了，网络赛快开始了，下面需要尽快去看自己分工的内容，毕竟到最后是需要三个人互补的。明天加油！！ ...
2017/8/18训练日记（树状数组简述）
胖亚亚的小酒馆
08-18 350
今天也就重点看了下树状数组，下面来记一些基础知识以及和线段树的对比 由于我先看的线段树又看的树状数组，其实两个比较类似 主要用于查询任意两位之间的所有元素之和，但是每次只能修改一个元素的值； 经过简单修改可以在log(n)的复杂度下进行范围修改，但是这时只能查询其中一个元素的值(如果加入多个辅助数组则可以实现区间修改与区间查询)。 能用树状数组解决的问题，基本上都能用线段树解决，而线段
2017年8月12日训练日记
LSD20164388的博客
08-12 367
今天训练的主要目的是复习二分三分的相关知识和单调队列的相关知识。但是仍然对单调队列还不熟悉。还是不能够熟练掌握运用。又看了课件，发现有的地方还是不理解。看了单调队列的一些基础题目有的还是不能完全理解。        二分基本可以掌握，遇到水题能快速1A，但是遇到难题光是想到二分都有些困难，更不用说理出思路并写出正确的代码。至于单调队列的题目也是，简单的还行，稍微难一些就要参考课件甚至题解。。。而
2018/8/2训练日记 附带了一个佩尔方程知识点
胖亚亚的小酒馆
08-02 510
今天上午又重新看的分块和莫队，分块思想基本上可以掌握了 做了几个例题cdoj1324,bzoj3343,bzoj2906, 还看了哔哩哔哩上的qscqesze的讲解分块感觉讲的非常的好 代码思路非常的清晰。 另外莫队这个思想，看了看正常的莫队，还有树上莫队，带修改的莫队等等， 还有回滚莫队，不过没找到例题去看，cdq分治还没看 下午的牛客多校题，前面做的挺正常的，后面因为一个01分数规...
2019年8月12日训练日记
邵光亮的博客
08-13 608
因为没有打昨天的CodeForces，所以上午到了先把cf的题给补了，还是前三题简单，后面的就算没有算法还是想不到，有的思路太巧妙了。然后又刷了两道杭电的多校题。 下午看了树状数组，先复习了lowbit，以前虽然接触过，但是只是知道怎么用不知道原理，看完以后把原理给搞明白了，树状数组的思路是真的巧妙。然后做了三道题，树状数组还可以用来解决逆序对还有区间值的修改，不过区间值的修改用线段树更简单一点...
2018.8.12训练日记14
sdau20171989的博客
08-12 168
周总结 （一）本周收获 看题做题的一周 :( 做过的大部分是只需要微调的简单模版题 ，可就算是模版题，在敲代码的过程中还是会出现很多错误 期间在看矩阵相关知识 （二）心得体会 状态有点调不过来，感觉收获不是很多 进入了瓶颈期不想看代码的状态 会努力...
《Python星球日记》专栏介绍（持续更新...）
Code_流苏：在代码中寻诗意，在实践中觅真知
04-03 2174
Python星球日记专栏介绍（持续更新ing），本专栏文章或达近百篇，后续会持续更新...
CTF训练日记1--ctfshow萌赛
unexpectedthing的博客
11-03 1051
文章目录签到题给她web_假赛生萌新记忆 签到题 <?php if(isset($_GET['url'])){ system("curl https://".$_GET['url'].".ctf.show"); }else{ show_source(__FILE__); } ?> 这个题，比较简单，直接使用分号，执行多个命令来绕过 payload: 1;ls;1 可以再次回顾一下，||，&&，&，|，；的作用 Linux的特殊符号
在国产芯片上实现YOLOv5/v8图像AI识别-【1.3】YOLOv5的介绍及使用（训练、导出）更多内容见视频
weixin_41864178的博客
07-19 1673
本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。
本周学习报告
雨潇的博客
04-07 734
就在同学们都忙于那个省赛的时候，我，正在跟朋友在青岛哈皮。 因为这个比赛，我玩的也有点心不在焉，心里一直在想这件事情，一直在思考不报名到底是对是错，我是不是丢掉了一次机会呢？ 可是我又深知此刻的我太过菜鸡，去参加比赛最大的可能就是浪费了钱还得不到什么名次，最大的好处可能就是熟悉了比赛流程，体验了一把参加比赛的感觉。而且最为重要的是，我已经很难分辨到底是陪我的小票票重要还是参加这种不可能得奖的比...
暑假第一周学习总结
雨潇的博客
07-28 635
这一周看了算法提高的第一张和第二章的一点开头，感觉嘛，了解到了他在说什么，也知道他要干什么，可是实际应用起来，我自我感觉比较困难。 这一周做题给我最大的困扰不在于看题目没有思路，而是在于明明有思路，却提交n遍，遍遍超时，明知道应该优化，而且不是剪枝这样细小细节的优化，可是我就是不知道该怎样优化，书上的快速幂、前缀和、各种排序算法的改变、各种情况的拿舍（比如说一个数列选择性只用前半段或后半段，另一...
三月末学习总结
雨潇的博客
03-30 485
学习总结 动态规划的学习过了一段时间了，我还是有很多不会的地方，特别是那个背包问题，发现有很多题型都是背包问题的变型，但是因为我对背包问题仍不理解，我就暂时放了过去。最近打的代码有点少了，因为我觉得我有点思路的基本都做过了，剩下的不是看不出怎么动态规划就是还没想出来怎么改变状态。 明天我觉得要看一下动态规划的背包问题，学学那个题型，然后就有已知的两道题应该可以有思路做出来了。还有一道题我觉得跟...
10/27生活总结
雨潇的博客
10-27 388
今天去参加泰山马拉松志愿者……差点没累死我。 早上四点半起床，五点半就要去坐校车去会展中心。从早上六点站到早上八点，冻的腿都弯不动，甚至只吃了一个发的月饼。 当一个兢兢业业的人墙，我们不仅要跟他们强硬的解释应该去哪个区域，不应该去哪个区域，甚至有人要从我们这里过去我们还要仔细的确认一遍能否冒着被骂的风险这样做，在人数最多的时候更要仔细看好他们的号码牌子……到了八点我们前前后后已经站满了紫衣服的...
# 超参数设置 learning_rate = 0.01 epochs = 200 # 损失函数与优化器 criterion = nn.MSELoss() # MSE损失 optimizer = optim.SGD(model.parameters(), lr=learning_rate) # 随机梯度下降 # 训练日志 loss_history = [] # 训练循环 for epoch in range(epochs): for batch_X, batch_y in dataloader: # 自动分批 # 前向传播 pred = model(batch_X) loss = criterion(pred, batch_y) # 反向传播 optimizer.zero_grad() # 清除历史梯度 loss.backward() # 自动计算梯度 optimizer.step() # 更新参数 # 记录损失 loss_history.append(loss.item()) # 每20轮打印进度 if (epoch+1) % 20 == 0: print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')
03-11
<think>嗯，用户现在让我解释一下他们提供的PyTorch训练代码部分。我之前已经帮他们理解了线性回归模型的类定义，现在他们想了解超参数设置、损失函数、优化器和训练循环的部分。用户可能刚开始学习深度学习，所以需要通俗易懂的解释，避免使用太多术语，同时确保他们理解每个步骤的作用。 首先，我需要拆分这段代码的结构，看看每个部分的作用。超参数设置包括学习率和周期数，这部分需要解释它们对训练的影响。损失函数是MSE，优化器是SGD，这些可能需要用类比来帮助理解。训练循环部分比较复杂，包含前向传播、反向传播、梯度清除和参数更新，这些步骤需要逐步讲解。 用户可能不太明白为什么需要设置学习率，或者epochs是什么，所以得用生活中的例子，比如学自行车时的调整幅度和练习次数。损失函数的作用是衡量预测和实际的差距，而优化器则是根据差距调整模型参数，这里可以用修正自行车方向的例子。 在训练循环中，dataloader分批数据，需要解释分批的好处，比如内存效率和训练稳定性。前向传播就是模型做预测，反向传播是计算梯度，优化器更新参数。梯度清零是为了防止累积，这点很重要，可能用户会忘记为什么每次都要清零。 另外，用户可能对loss_history的作用有疑问，记录损失是为了监控训练过程，判断模型是否在改进。每隔20轮打印一次损失，这样用户可以看到训练进度，调整超参数或提前停止。 还要注意常见误区，比如学习率过大或过小的影响，epochs设置过多导致过拟合，或者忘记清零梯度导致计算错误。这些都是用户在实际操作中可能会遇到的问题，需要提前提醒。 最后，确保整个解释结构清晰，步骤分明，用生活中的比喻帮助用户理解，同时保持专业性，指出每个部分在训练中的作用和重要性。可能需要检查是否有遗漏的细节，比如优化器的选择，SGD和其他优化器的区别，但根据用户提供的代码，暂时不需要展开，专注于解释现有代码即可。</think>### **一句话总结** 这是「AI厨师」的烹饪指南——通过不断试吃调整配方，最终做出完美预测的料理流程！ --- ### **分步骤动画演示** ![](https://p6-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/5a9a8aef73f445d4a0d31e7f4b2e4c7c~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=400&h=300&s=1000323&e=gif&f=25&b=f6f6f6) --- ### **核心组件解析** #### **1. 超参数设置：烹饪火候控制** ```python learning_rate = 0.01 # 学习步幅（每次调整配方的幅度） epochs = 200 # 训练轮次（试吃调整配方的次数） ``` - **类比**：学骑自行车时 - `learning_rate`太大 → 左右猛晃容易摔倒（震荡不收敛） - `learning_rate`太小 → 半天学不会（收敛速度慢） - `epochs`不足 → 刚能骑2米就停止练习（欠拟合） - `epochs`过多 → 反复练习导致只会骑特定路线（过拟合） --- #### **2. 损失函数：口味评测器** ```python criterion = nn.MSELoss() # 均方误差 ``` - **计算公式**： $$ \text{Loss} = \frac{1}{N}\sum_{i=1}^{N}(y_{\text{预测}}^{(i)} - y_{\text{真实}}^{(i)})^2 $$ - **作用**：量化预测值与真实值的差距（类似尝菜后打分：1分难吃，10分完美） --- #### **3. 优化器：配方调整师** ```python optimizer = optim.SGD(model.parameters(), lr=learning_rate) ``` - **SGD工作原理**： $$ w_{新} = w_{旧} - \text{learning\_rate} \times \frac{\partial \text{Loss}}{\partial w} $$ （根据误差的导数方向调整参数，类似根据「太咸」的反馈减少盐量） --- ### **训练循环详解：厨房实操** #### **步骤1：准备食材（数据加载）** ```python for batch_X, batch_y in dataloader: # 自动分批 ``` - **分批的好处**： - 内存友好（一次处理100个样本 vs 处理10000个） - 增加参数更新频率（类似尝一小口就调整，比整锅尝完再调整更灵敏） --- #### **步骤2：试做菜品（前向传播）** ```python pred = model(batch_X) # 用当前配方做预测 loss = criterion(pred, batch_y) # 对比真实值计算误差 ``` - **可视化**： ``` 预测值： [152.3, 165.8, 130.1] 真实值： [160.0, 170.0, 135.0] 误差： 7.7² + 4.2² + 4.9² = 121.54 ``` --- #### **步骤3：分析问题（反向传播）** ```python optimizer.zero_grad() # 清空之前的调料残留（梯度清零） loss.backward() # 自动计算每个参数该调整的方向和幅度 ``` - **梯度示例**： ```python print(model.linear.weight.grad) # 输出：tensor([[-0.34, 1.21, -0.89]]) → w1需要增加，w2需要减少... ``` --- #### **步骤4：改进配方（参数更新）** ```python optimizer.step() # 根据分析结果调整参数 ``` - **更新过程**（假设当前权重为[0.3, 0.5, 0.2]）： $$ w_{新} = 0.3 - 0.01 \times (-0.34) = 0.3034 $$ （类似发现盐少了，下次多放0.0034克） --- ### **训练日志：成长日记** ```python loss_history = [] # 记录每次的误差 if (epoch+1) % 20 == 0: # 每20轮打印进度 ``` - **理想曲线**： ``` Epoch [20/200], Loss: 25.6342 Epoch [40/200], Loss: 12.7851 ... Epoch [200/200], Loss: 0.8923 ``` （损失逐渐下降，类似厨艺评分从60分提升到95分） --- ### **关键点记忆口诀** ``` 梯度清零要记牢， ← optimizer.zero_grad() 前向传播算味道， ← pred = model(x) 反向传播找问题， ← loss.backward() 优化步骤调调料。 ← optimizer.step() ``` --- ### **常见错误示例** ❌ **错误1：忘记梯度清零** ```python # 错误代码 loss.backward() optimizer.step() ``` → **后果**：梯度会累积，导致参数更新幅度异常（类似把十次调料调整量一次性倒入） ❌ **错误2：错误的数据维度** ```python # 输入形状应为 (batch_size, input_dim) inputs = torch.tensor([1, 2, 3]) # 错误！应该是[[1,2,3]] ``` → **修正**：`inputs = torch.tensor([[1,2,3]])` --- ### **参数更新可视化** ![](https://p3-juejin.byteimg.com/tos-cn-i-k3u1fbpfcp/33d4c0b7d6d3493a8e2f42a3e6a1c8e1~tplv-k3u1fbpfcp-jj-mark:0:0:0:0:q75.image#?w=600&h=400&s=1234567&e=png&b=fefefe) （随着训练轮数增加，参数逐渐向最优解靠近） --- ### **扩展知识：优化器对比** | 优化器类型 | 适用场景 | 特点 | |----------------|---------------------|-----------------------------| | SGD | 简单模型 | 基础款，容易震荡 | | Adam | 大多数深度学习模型 | 自适应学习率，收敛快 | | RMSprop | RNN网络 | 处理非平稳目标效果佳 | --- ### **完整训练流程类比** **目标**：做出完美红烧肉 | 步骤 | 对应代码 | 现实映射 | |--------------------|---------------------|--------------------------| | 设定练习次数 | `epochs=200` | 决定练习200次 | | 准备小份试做 | `batch_X` | 每次用500克肉试验 | | 尝汤评价咸淡 | `loss.backward()` | 发现「有点淡」 | | 调整酱油用量 | `optimizer.step()` | 下次多放3毫升酱油 | | 记录每次失败经验 | `loss_history` | 厨房笔记第58页：火候不足 | --- ### **下一步学习建议** 1. 尝试修改`learning_rate`观察训练曲线变化（建议尝试0.1, 0.01, 0.001） 2. 用Matplotlib绘制`loss_history`的下降曲线 3. 添加验证集监控模型是否过拟合 4. 探索学习率衰减策略（如`lr_scheduler.StepLR`）
评论
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
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