qq_74831294的博客

原创 C++与Python初始化最小和最大整数

但是，如果要表示一个非常大的正数和一个非常小的负数（在实际应用场景中近似于最大和最小），可以使用 float 类型的相关常量。Python 中 float 类型有固定的表示范围。由于 Python 的整数是动态分配内存的，所以在一般情况下，不需要像 C++ 那样去获取所谓的 “最大” 和 “最小” 值。在上述代码中，INT_MAX 表示 int 类型能表示的最大值，INT_MIN 表示 int 类型能表示的最小值。在 C++ 中，对于 int 类型，可以使用 头文件中的宏定义来获取其最大值和最小值。

原创 优先队列-小根堆留坑

给你一个整数数组 nums 和一个整数 k ，请你返回其中出现频率前 k 高的元素。你可以按 任意顺序 返回答案。题目数据保证答案唯一，换句话说，数组中前 k 个高频元素的集合是唯一的。输入: nums = [1,1,1,2,2,3], k = 2。k 的取值范围是 [1, 数组中不相同的元素的个数]输入: nums = [1], k = 1。单纯为了记录学习使用，无其他用途。

原创 四数之和问题

输出：[[-2,-1,1,2],[-2,0,0,2],[-1,0,0,1]]输入：nums = [1,0,-1,0,-2,2], target = 0。输入：nums = [2,2,2,2,2], target = 8。你可以按 任意顺序 返回答案。a、b、c 和 d 互不相同。输出：[[2,2,2,2]]

原创 开发商问题~前缀和

然而，由于城市规划的限制，只允许将区域按横向或纵向划分成两个子区域，而且每个子区域都必须包含一个或多个区块。为了确保公平竞争，你需要找到一种分配方式，使得 A 公司和 B 公司各自的子区域内的土地总价值之差最小。在一个城市区域内，被划分成了n * m个连续的区块，每个区块都拥有不同的权值，代表着其土地价值。目前，有两家开发公司，A 公司和 B 公司，希望购买这个城市区域的土地。现在，需要将这个城市区域的所有区块分配给 A 公司和 B 公司。请输出一个整数，代表两个子区域内土地总价值之间的最小差距。

原创 out of memory解释

在前向传播得到网络的输出及相关中间变量后，通过反向传播计算出参数的梯度，再利用这些梯度，借助优化算法（如随机梯度下降等）来更新模型参数，然后再次进行前向传播，如此循环往复，逐步调整模型参数，使模型的预测结果不断接近真实值。批量越大，一次处理的数据样本越多，相应的中间值也会越大。所以，使用更大的批量来训练更深层次的网络时，更容易出现内存不足（out of memory）错误。反向传播会重复利用前向传播中存储的中间值，这样可以避免重复计算，提高计算效率，但也意味着在反向传播完成之前，需要一直保留这些中间值。

原创 计算图疑惑留坑

动态计算图：在运行过程中动态构建的计算图。以PyTorch为典型代表，每执行一行代码，计算图就会动态构建一部分，根据代码的执行流程实时生成。比如先定义两个张量并执行加法操作，计算图就会实时记录这个加法运算节点以及相关的输入输出关系。静态计算图：在执行之前就需要定义好完整的计算流程，构建好整个计算图。像TensorFlow 1.x版本，需要先使用特定的函数和操作符定义好图的结构，包括变量、运算节点等，然后在会话（session）中执行这个预先定义好的图。

原创 高精度简要练习

【代码】高精度简要练习。

原创 算法学习3-动态规划简单总结

寻找最优解问题，比如背包问题，前提在背包容量固定的情况下，所能够装的东西的种类是不固定的，即是存在着多个解，但是如何使得所装到得资源的价值最大，便是最优解。都采用了将大问题分解为小问题的过程，以计算斐契那波数列为例，如果要计算第n个废弃那波数列是的值，都首先要转换为计算第n-1,n-2个废弃那波数列的值，通过逐步解决这些子问题，最终得到原问题的解。与分治算法的不同点分治算法分离得到的子问题是相互独立的，例如归并排序中，对左右两个数组的排序过程是相互独立的没有交集。

原创 算法学习2-二分和前缀和简单总结

具体情况：当查找最小值的时候：如果check(mid)满足条件，说明mid小于最小值，则需要mid=l+r+1>>1，这里+1是为了避免死循环问题。假设数组长度为2，如果不加1则l+r>>2=1则陷入死循环。

原创 算法学习1-递归与递推简单总结

就是将大问题逐步分解为小问题，再由小问题汇聚为大问题的解决的过程。：就是从已知的条件出发，由小问题推导出大问题的过程。

原创 第十五Python C 数字诗意

2的幂次方的话，n的二进制位只有最高位为1，其余全为0，减去1后相当于取反，&操作后为0。依次发现 1、2、4、8、16都不可以，则推断2的幂次方都不可以。14（4+5+2+3）可以。12（3+4+5）可以。11 （5+6）可以。

原创 练习题之好数

一个整数如果按从低位到高位的顺序，奇数位（个位、百位、万位 · · · ）上的数字是奇数，偶数位（十位、千位、十万位 · · · ）上的数字是偶数，我们就称之为“好数”。给定一个正整数 N，请计算从 1 到 N 一共有多少个好数。输入格式一个整数 N。输出格式一个整数代表答案。样例输入24样例输出7提示对于第一个样例，24 以内的好数有 1、3、5、7、9、21、23，一共 7 个。

原创 算法练习笔记

在风景如画的蓝桥村，n名村民围坐在一张古老的圆桌旁，参与一场思想的较量。这些村民，每一位都有着鲜明的身份：要么是誉满乡野的诚实者，要么是无可救药的说谎者。当会议的钟声敲响，一场关于真理与谬误的辩论随之展开。每位村民轮流发言，编号为 i的村民提出了这样的断言：坐在他之后的两位村民 — 也就是编号 i+1 和 i+2(注意，编号是环形的，所以如果 i是最后一个，则 i+1是第一个，以此类推）之中，一个说的是真话，而另一个说的是假话。在所有摇曳不定的陈述中，有多少真言隐藏在谎言的面纱之后？

原创 C++快速指数幂算法实现

二、其次从理论开始理解2.1 快速指数幂算法的核心思想就是用二进制表示运算nm 中 m = 11(10) = 1011(2)所以 nm = n11(10) = n1011(2)n11=n23∗1+22∗0+21∗1+20∗1n^{11} = n^{2^{3}*1+2^{2}*0+2^{1}*1+2^{0}*1}n11=n23∗1+22∗0+21∗1+20∗1则 n11=n23∗1∗n22∗0∗n21∗1∗n20∗1n^{11} = n^{2^{3}*1}*n^{2^{2}*0}* n^

原创 数据库系统概论简要总结

在逻辑设计阶段将e-r图转换成具体的关系数据库系统产品的数据模型，如关系模型，形成数据库逻辑模式，然后根据用户处理的要求以及安全性的考虑，在基本表上再建立必要的视图，形成数据的外模式，在物理结构设计阶段根据关系数据库管理系统的特点和处理的需要进行物理存储安排，建立索引，形成数据库内模式。封锁粒度与系统的并发度和并发控制的开销密切相关，直观地看，封锁的粒度越大，数据库能够封锁的数据单元就越少，并发度就越小，并发度就越小，系统开销也就越小，反之，封锁的粒度越小，并发度越高，系统开销越大。

原创 系统深度学习打卡一

参数的相关解释：这里的python .py是运行这个py文件的命令很常用的，之后就是制定了一些参数 --source --source data/images/bus.jpg指定了一些源的路径，这里指定的是要检测图片的路径，路径要换成自己索要检测图像的绝对路径就好。yolov5s.pt(小型模型)， yolov5m.pt(中型模型)，yolov5l.pt大型模型， yolov5x.pt超大型模型 --img 648 表示为将输入图像的大小处理为648*648像素大小。可以看出来训练的效果还是可以的。

原创 Transformer和Conv2d卷积运算随手记

基础神经网络：CNN、RNN、seq2seq模型(encoder+attention+decoder)的基础模块，可以用CNN、RNN、Transformer等进行做CNN权重共享体现在滑动窗口上，正着计算和反着计算是相同的多层卷积进行长程建模，对相对位置敏感，对绝对位置不敏感RNN循环神经网络，当前时刻的输出依赖于上一时刻的运算，对位置和顺序非常的敏感，运算也非常的耗时。对于相对位置敏感，对于绝对位置也敏感transformer没有序假设，序列建模问题相当于是这样。

原创 Pytorch基础知识3

上面F.dropout其实就是torch.nn.functional.dropout(input,p=0.5,training=True,inplace=False)另一种是以函数的形式实现：torch.nn.functional.dropout(input,p=0.5,training=True,inplace=False)m=nn.Dropout(p=0.2) ## m为被Dropout的张量，p要置为0的神经元的比例。Dropout分为两种，一种是以类的形式实现nn.Dropout()

原创 Pytorch基础知识2

当调用_parameters， _buffers时没有设定相关参数的话，会返回空字典，返回的是当前模型的字段（不是子模型的字段），register_parameters设定的参数.torch.save(model.state_dict(), 'model_weights.pth') ##这个是只保存模型的权重。有_parameters, _modules, _buffers三种成员变量, _modules存放的是子模块的参数。z=torch.matmul(x,w)+b ##继承父类自动微分。

原创 JupyterNotebook虚拟环境创建命令

仅供参考，也可在Pycharm或者Vscode中创建Python虚拟环境。

原创 Pytorch基础知识1

张量和数组的区别，Tensor可以在GPU上运行，张量和数组可使用同一片内存空间Tensor支持自动微分(Pytorch中)Pytorch中导入是a=[1,2,3]type(b) ##显示的是b的类型b.dtype ##显示的是b中数据的类型也可以用numpy数组创建tensorc=torch.ones_like(b) ##创建成相同形状和数据类型的张量​也可以用另一个张两种a.dtypea.shapea.device张量是在cpu还是GPU上面创建的​。

原创 使用python生成包含1000个随机字符的字符串，然后统计每个字符的出现次数。（使用字典）

【代码】使用python生成包含1000个随机字符的字符串，然后统计每个字符的出现次数。（使用字典）

原创 编写程序，生成一个包含50个随机数的列表，然后删除列表中的所有奇数。

filter理解为过滤函数，第一个参数是定义的函数名，第二个参数是生成的列表。定义的函数将符合条件的元素筛选出来返回一个新的列表对象。

原创 python中sort、sorted、reverse、reversed的区分和用法。

原创 好用的平替markdown软件

找了很久的markdown软件，突然想起来csdn可以实现相同的功能。