qq_61784003的博客

备战蓝桥杯省赛的Python部分题目（研究生组，大学A组）的ipynb文件（jupyter notebook 代码，内含题目截图和解题思路笔记）

资源内容： 分糖果问题：详细介绍了如何处理字符串的字典序排序以及如何根据特定条件选择目标字符串，包括清晰的逻辑流程和示例说明。 0填充问题：讲解了如何统计特定子串在序列中出现的次数，并给出了相应的算法逻辑和代码实现。 互质数的个数：介绍了欧拉函数的定义、计算方法及其在求解互质数问题中的应用，配有详细的算法步骤和示例。 阶乘的和：提供了计算阶乘和的思路和代码实现，帮助你快速掌握相关知识点。 公因数匹配：讲解了如何通过素数筛选和字典记录来解决公因数匹配问题，包括详细的算法逻辑和代码示例。 完全m叉树问题：讲解了如何求解完全m叉树中特定节点的子节点编号以及子树的节点数，提供了清晰的思路和代码实现。 快速幂算法：介绍了快速幂算法的原理和实现方法，帮助你在处理大数幂运算时提高效率。 马拉车算法：详细讲解了马拉车算法求解最长回文子串的过程，包括算法逻辑、代码实现以及辅助理解的示例。 增量数组与前缀和：介绍了增量数组和前缀和思想在处理区间操作问题中的应用，提供了高效的算法解决方案。 博弈论问题：讲解了如何通过博弈论分析解决特定的砍柴游戏问题，包括必胜态分析和质数判断的算法实现。 字典树及其结点操作：介绍了字典树的基本概念、构建方法以及结点操作的实现，帮助你更好地理解和应用字典树。 中国剩余定理：提供了中国剩余定理的详细讲解和代码实现，帮助你解决同余方程组问题。 全排列及其价值计算：讲解了全排列的计算方法以及如何求解全排列的价值之和，提供了多种思路和算法实现。 适用人群： 参加蓝桥杯省赛的Python编程爱好者 想要提升算法和数据结构知识的程序员 对Python编程和算法竞赛感兴趣的初学者 使用建议： 在阅读每个问题的讲解之前，先自己尝试解决该问题，然后再参考资料中的解题思路和代码

内容概要：本文详细介绍了Git的基本安装、配置、认证方法及常用命令。首先讲述了在Linux（以Ubuntu为例）上安装Git和Git LFS的方法，包括更新包管理器、安装Git和Git LFS以及验证安装。接着介绍了Git的三种配置级别（系统配置、用户配置、仓库配置），并列举了一些常用的配置选项。认证方面，分别介绍了HTTPS认证（包括直接输入用户名密码、凭据存储和个人访问令牌）和SSH认证（生成SSH密钥对、添加SSH密钥到SSH代理、添加SSH公钥到Git服务器）。最后，阐述了Git版本控制下的三种工程区域（工作区、暂存区、仓库）及其文件状态转换，并介绍了常用的Git命令如git init、git clone、git add、git rm、git mv、git status、git commit、git push等。 适合人群：适用于初学者或有一定基础但希望深入了解Git使用的开发者。 使用场景及目标：①掌握Git在Linux环境下的安装与配置；②理解并能配置不同级别的Git设置；③学会使用HTTPS和SSH两种认证方式；④熟悉Git版本控制系统中的工程区域及文件状态转换；⑤熟练掌握Git的基本命令，如初始化项目、克隆仓库、添加/删除/移动文件、查看状态、提交更改、推送至远程仓库等。 阅读建议：读者在学习过程中应结合实际项目操作，逐步练习文中提到的各种命令和配置，特别是安装和认证部分，确保每一步都能正确执行，并理解其背后的工作原理。对于命令的使用，建议多查阅官方文档或相关资料，加深理解。

这个文档提供了Python中基本数据结构的操作和使用方法，包括字符串、列表、集合、字典和队列。详细介绍了各数据结构的特点、常用操作和方法，如字符串的查找、替换、大小写转换，列表的添加、删除、排序，集合的并集、交集、差集操作，字典的键值对管理，以及队列的FIFO、LIFO和优先级队列操作。

PyTorch深度学习框架的实用指南，涵盖了从基础操作到高级技巧的70个技巧。内容包括张量操作、自动求导、神经网络构建、损失函数、模型训练与评估、迁移学习、模型保存与加载、数据可视化、序列模型、学习率调度器、分布式训练、梯度裁剪、模型微调、处理不平衡数据集、自定义激活函数、模型集成、处理缺失数据、以及模型导出到ONNX和TorchScript等。适合PyTorch初学者和有经验的深度学习实践者。

1. 逻辑回归乳腺癌预测：使用Numpy和MindSpore框架实现逻辑回归模型，包括数据加载、参数初始化、前向传播、参数优化以及模型训练和预测，旨在预测乳腺癌数据集。 2. KNN鸢尾花分类：讲解k-近邻（KNN）算法，通过鸢尾花数据集展示分类任务的实现。文档包括KNN的核心理念、距离度量和快速检索方法，并展示了如何利用scikit-learn库进行代码实现。 3. 朴素贝叶斯垃圾信息识别：朴素贝叶斯分类器的理论和实践应用，包括Numpy实现和scikit-learn库调用。文档覆盖了算法理论、数据处理、模型构建、训练和评估，特别适合垃圾信息识别任务。 4. 支持向量机（SVM）：SVM的算法思想和基础理论，如最大间隔超平面和支持向量等，并提供了使用scikit-learn进行基础分类实验的指导和结果分析。 5. 组合分类器实验：袋装（Bagging）、随机森林和提升（Boosting）三种组合分类器的基本思想和算法流程，提供了基础分类实验的结果，帮助理解不同集成学习方法的效果。 6. 聚类基础实验：KMeans和KMedoids聚类算法，包括原理、优缺点、应用场景和聚类评估方法

对应的模型的超参数： d_model = 512 d_ff = 2048 n_layers = 6 n_heads = 8 dropout_p=0.1 src_vocab_size = 4456 trg_vocab_size = 8013

cmn.txt的英文句子经过分词、转为小写处理得到的结果存放的文件

cmn.txt的中文句子经过jieba分词得到的结果存放的文件

LLM生成、推理解码策略-以LLaMa3文本生成任务为例