快速排序

// 快速排序法.cpp : 定义控制台应用程序的入口点。
//

//快速排序时基于分治模式处理的,
//    对一个典型子数组A[p...r]排序的分治过程为三个步骤:
//    1.分解:
//    A[p..r]被划分为俩个(可能空)的子数组A[p ..q-1]和A[q+1 ..r],使得
//    A[p ..q-1] <= A[q] <= A[q+1 ..r]
//2.解决:通过递归调用快速排序,对子数组A[p ..q-1]和A[q+1 ..r]排序。
//    3.合并。

#include "stdafx.h"
#include <stdio.h>
#include <stdlib.h>

int partition(int a[], int p, int r) {
    //为什么不能选a[p]为主元,因为对于一个已排序好的数组,仍然会打乱
    int key = a[r];
    int i = p - 1;
    for (int j = p; j < r; ++j) {
        if (a[j] <= key) {
            ++i;
            int temp = a[j];
            a[j] = a[i];
            a[i] = temp;
        }
    }
    int temp = a[i+1];
    a[i+1] = a[r];
    a[r] = temp;
    return i + 1;
}

void QuickSort(int a[], int p, int r) {
    if (p<r) {
        int k = partition(a, p, r);
        QuickSort(a, p, k - 1);
        QuickSort(a, k + 1, r);
    }
}

int main()
{
    int array[] = {2, 4, 6, 8, 10, 12};
    QuickSort(array, 0, 5);
    for(int i = 0; i <= 5; i++)
        printf("%d\t", array[i]);
    return 0;
}

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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