逆袭!17岁学服装设计的中专女孩,以第12名成绩“杀入”阿里巴巴全球数学竞赛决赛圈

5个4000比特大状态置换算法的设计与分析 下面是 5 个概念性、实验性的 4000 位可逆置换设计。它们都保证是双射,但未经过密码分析,不可直接用于生产系统。风格分别覆盖:三维 SPN、Feistel、可逆元胞自动机、ARX、宽轨迹/Keccak 式结构。 这 5 个设计分别代表了 SPN、Feistel、元胞自动机、ARX、宽轨迹 Keccak 五种不同风格,覆盖了主流大状态置换的构造思路。再次强调:它们只是实验性概念,若要用于实际协议,必须经过严格安全性分析。 阅读详情

在北大、清华、麻省理工、剑桥、普林斯顿等国内外高校高手云集的赛道上,一位身披”17 岁、中专、女生、学服装设计“等标签的学生姜萍,“杀出”包围圈,成功入围“全球数学竞赛第十二名”,这一出色表现瞬间登上热搜,引爆全网。

图片

这位成为万众瞩目的女生,不仅令无数人为其骄傲,更是让大家纷纷直呼:“厉害了,我的妹!”

图片

图片

学服装设计的 17 岁中专女孩”爆冷“拿下2024年阿里巴巴全球数学竞赛 12 名

要知道,阿里巴巴自 2018 年起,每年都会举办一次全球数学竞赛,不限年龄、国籍、职业、学历,甚至不限碳基、硅基,只要有能力者皆可参与。

图片

今年的比赛从 3 月 14 日起即可报名,分为预选赛和决赛两个阶段,只有通过预选赛的选手才能进一步参加决赛。日前,预选赛已经正式结束,昨天也是公布首批入围决赛名单的日子。

这不,6 月 13 日,阿里达摩院在官网公开了《2024 阿里巴巴全球数学竞赛决赛入围名单》。

图片

完整名单详见:https://damo.alibaba.com/events/32024060617176459249878092

出乎意料的是,在此次总共 802 位选手入围的名单中,排在第十二名的姜萍吸引了众人的目光。

她不仅是 Top30 之列中唯一的女生,而且她只有 17 岁,还是一位来自江苏省涟水中等专业学校的学生。

据《人民日报》报道,姜萍更是该比赛举办以来,首位闯进决赛的中专在读生,此次以 93 分的高分(入围分数线为 45 分),夺得全球数学竞赛第 12 名的好成绩。

而排在姜萍之前的 11 人分别来自世界各大名校:3 人来自北京大学,3 人来自清华大学,1 位来自剑桥大学,1 位来自美国麻省理工学院,1 位来自加州理工,1 位来自普林斯顿大学,1 位来自卡内基梅隆大学。

所以,姜萍与榜单的“格格不入”,不仅令她在榜单上显得独特,更让她成为一颗耀眼的新星。

根据姜萍在采访时的自述,她发现自己从初中时候开始,发现自己的数感特别好,「平时做的那些作业我扫一眼,没有什么做的价值。我比较喜欢做有难度的题目」。

有消息透露,姜萍本来考上了普通高中,但“因为种种原因”来了现在的中专学校,主修的不是数学,而是同样需要想象力的服装设计。

在姜萍看来,学习服装要画的时装画和制图,以及衣服的制作和裁剪,其实都跟数学有关,所以她日常即使在设计服装之际,也常带一本数学书在身边。

对一名中专生来说,一开始接触到高等数学,肯定是有一定难度的。

在这过程中,姜萍也付出了巨大的努力。她透露,一开始从同济大学的《高等数学》、谢惠民的《数学分析习题》等教材学习起步。初接触时,感觉很难,比如关于画图题,她会尝试把它画到一张纸上,然后一直换思路去解决这个问题,遇到问题时也会及时去请教自己的数学老师王闰秋。

最后慢慢了解到关于 PDE 偏微分方程之类的,如学习 Lawrence C. Evans 全英文编写的《偏微分方程》,对此,姜萍借助手机翻译软件和一本英汉小词典,才逐渐把这些教材“吃透”。

目前,她达到了数学专业本科三、四年级的水平。

姜萍表示,“学习数学是比较坎坷的,但是当我把这个问题解决出来的时候,我会非常快乐。”

今年,阿里巴巴全球数学竞赛启动报名时,姜萍的数学老师王闰秋鼓励她报名参加。起初,姜萍没什么自信,自己默默去刷了一遍去年的比赛题,然后抱着试试的心理报了名,也就有了后来拿下 93 分的优异成绩。

后来,当有媒体询问姜萍是否知道和她一起比赛的有很多清华、北大数学专业选手时,较为单纯的姜萍回答道:“我不知道其他是什么人,我感觉他们厉害死了,我感觉他们很强,我感觉真的好离谱啊。”

此外,她也说道,“如果学习服装设计师我的 Plan A,那探索数学便是我的 Plan B,希望我的 Plan B 也能被看见......数学作为我的兴趣爱好,无论未来会怎么样,应该一直会持续下去,没有想过放弃它什么之类的。”

图片

姜萍老师数学竞赛全球 125 名!

除了靠自己先天的天分、后天的努力,姜萍的成功也离不开其非常重要的数学老师王闰秋的挖掘、引导与鼓励。

据悉,于 2020 年从江苏大学研究生毕业的王闰秋,机缘巧合下来到了这所中专学校教书。

在一边教书,一边做数学研究的同时,王闰秋也一直关注着有关数学竞赛的消息。

2022 年,他首次参加了阿里巴巴全球数学竞赛,获得了 166 名的成绩。而也就是在这一年,他遇到了他的学生姜萍。

在自己所带的班级第一次月考中,王闰秋发现姜萍的数学成绩遥遥领先。

在媒体采访中,王闰秋提到,曾经的自己学习也遇到了很多挫折,自己缺乏领路人,如果有领路人的话,可能一切会不一样。

自己经历的苦,他不希望自己的学生再次经历。因此,当他发现姜萍有着极高的数学天赋和敏感度之后,他不断地鼓励她继续下去。

于是,今年阿里巴巴数学竞赛再次启动时,他鼓励姜萍同去参加。这一次,让王闰秋引以为傲的不仅是他再次刷新自己的排名获得了 125 名的成绩,更是他的学生姜萍的成功。

图片

姜萍入围的数学竞赛含金量多高?!

正如上文所述,阿里巴巴全球数学竞赛至今已有 6 年的时间,比赛不设报名门槛,无论是外卖小哥、快递小哥,还是医生、律师、学生,都可以积极参与进去。

今年,2024阿里巴巴全球数学竞赛决赛入围分数线为 45 分,这场持续 48 小时的预选赛为开卷考试,允许查阅、参考线上/线下资料,允许使用编程软件答题。不过,禁止与他人讨论、外传赛题以及其他一切形式的作弊行为。

题目类型分为选择题、解答题、证明题。预选赛共一轮,根据分数高低确定决赛入围名单。

日前,随着预选赛成绩的公布,达摩院还公布了完整赛题和答案,共计 7 道题。

先来看看你是否能做出来吧:

图片

图片

图片

图片

图片

图片

图片

图片

仅是看题目,也有不少网友感叹,「字都认识,放到一起就是不知道在说的什么」。

事实上,每年阿里巴巴全球数学竞赛出炉之后,也有人称其难度堪比博士资格考试。因此近几年时间里,这项竞赛还没有出现过满分选手。

值得一提的是,阿里巴巴在今年还宣布,首次向 AI 开放,让全球高手和 AI 共同分享 450 万人民币大奖。

其中,参与 AI 挑战赛的参赛者完成报名后可开始训练模型或设计 Prompt,并在北京时间 2024 年 04 月 12 日 0 时前向组委会提交模型或 Prompt,锁定做题方案。

考试开始后,AI 参赛者需在 48 小时内采用 AI 答题,并在考试系统中提交人类可阅读的答案,组委会将根据答题 AI 的理解能力、解题过程的逻辑性、创新性等因素综合评分。

之所以要举行 AI 挑战赛,阿里巴巴表示,“数学不仅是关乎数字或方程,是所有科学的基础,也是 AI 发展必不可少的基础......之前很多 AI 在知识问答、生成图型和动画、编程以及相对简单的数学方面给大家留下了深刻的印象。我们希望通过引入 AI 给大家提供了一个新颖的视角,让大家看到 AI 在竞赛型的纯粹抽象思维、逻辑思辨和巧妙解题的能力。”

不过遗憾的是,我们并没有在入围决赛的选手中看到“AI”的身影。

在此,我们也尝试用了一些大模型来为本次竞赛题目“试试水”:

以上述的第一道竞赛题为例,将其作为提问询问 GPT-4o 如何解时,GPT-4o 给出的答案如下:

图片

以下是阿里通义千问的答案:

图片

不论过程,仅看结果。根据下文阿里巴巴给出的正确答案来衡量:GPT-4o 的答案是错的,阿里通义千问的正确。

图片

整体来看,今年试题不算简单,此次姜萍获得 93 分已经非常高了。还有消息称,此次参赛 AI 队伍的平均分已达到人类选手平均水平,但离数学高手仍有较大差距,AI 最高分仅为 34 分,无缘决赛。

图片

决赛见!

根据阿里巴巴官方消息,这一轮预选赛结束之后,决赛将于北京时间 6 月 22 日 0:00 开始,将围绕“代数与数论、几何与拓扑、分析与方程、组合与概率、应用与计算数学”五大方向,选手需要选择其中一个赛道才进入答题界面,每个赛道共六道题,最终将根据选手得分进行评奖。

和预选赛有所不同,决赛为闭卷考试,不允许参考任何资料或者使用科学计算软件。

最后也祝愿姜萍同学、王闰秋老师等更多参赛选手取得好成绩!

来源:

https://damo.alibaba.com/alibaba-global-mathematics-competition

2024阿里巴巴全球数学竞赛决赛入围名单:https://damo.alibaba.com/events/32024060617176459249878092

2024阿里巴巴全球数学竞赛预选赛完整赛题和答案发布:https://damo.alibaba.com/events/32024061217181779414025598

深度强化学习在机器人控制中的应用 非常感谢您提供如此详细的任务要求和约束条件。作为一位世界级的人工智能专家和计算机领域大师,我将全身心投入到这篇技术博客的撰写中。 深度强化学习在机器人控制中的应用 1. 背景介绍 近年来,随着人工智能技术的飞速发展,深度学习和强化学习在各个领域都得到了广泛应用,尤其是在机器人 阅读详情

相关推荐

Qupath软件的安装与使用

Qupath软件的安装与使用软件安装软件下载软件安装【windows版】简单使用文件打开人工标注标注导出和导入 Qupath是一款开源的医学图像标注软件,适合放射影像及数字病理切片等的查看。同时,其自带的标注功能使得医生可以直接通过该软件进行病变区域的标注和分类。跟进一步的,该软件提供groovy脚本运行接口,可供操作者编写和运行脚本,将标注信息转换为xml或者json格式的数据进行进一步的后序处...

qq_40662074的博客 3万+

逆袭!17岁学服装设计的中专女孩,以第12名成绩“杀入”阿里巴巴全球数学竞赛决赛圈...

整理 | 苏宓出品 | 优快云(ID:优快云news)在北大、清华、麻省理工、剑桥、普林斯顿等国内外高校高手云集的赛道上,一位身披”17 岁、中专、女生、学服装设计“等标签的学生姜萍,“杀出”包围圈,成功入围“全球数学竞赛第十二名”,这一出色表现瞬间登上热搜,引爆全网。这位成为万众瞩目的女生,不仅令无数人为其骄傲,更是让大家纷纷直呼:“厉害了,我的妹!”学服装设计的 17 岁中专女孩”爆冷“拿...

优快云资讯 8430

从零搭建PIC MCU开发环境:MPLAB IDE与HI-TECH编译器安装破解全攻略

本文详细介绍了从零搭建PIC MCU开发环境的完整流程,包括MPLAB IDE 8.85的安装配置、HI-TECH C编译器的安装与破解,以及PICkit3编程器的使用技巧。通过清晰的步骤说明和常见问题解决方案,帮助开发者快速搭建稳定的PIC单片机开发环境,适用于PIC16/18系列MCU开发。

weixin_29188997的博客 292

逆袭!17岁学服装设计的中专女孩,以第12名成绩“杀入”阿里巴巴全球数学竞赛决赛圈...在北大、清华、麻省理工、剑桥、普林斯顿等国内外高校高手云集的赛道上,一位身披”17 岁、中专、女生、学服装设计“

网络安全产业就像一个江湖,各色人等聚集。相对于欧美国家基础扎实(懂加密、会防护、能挖洞、擅工程)的众多名门正派,我国的人才更多的属于旁门左道(很多白帽子可能会不服气),因此在未来的人才培养和建设上,需要调整结构,鼓励更多的人去做“正向”的、结合“业务”与“数据”、“自动化”的“体系、建设”,才能解人才之渴,真正的为社会全面互联网化提供安全保障。

2402_84205067的博客 941

Cocos Creator发布微信小游戏:深度定制与去除默认加载页面的实践指南

本文详细介绍了如何使用Cocos Creator发布微信小游戏时去除默认加载页面的实践方法。通过修改构建配置和重写启动逻辑,开发者可以自定义加载体验,提升品牌一致性。文章还提供了进阶优化方案和常见问题解决方案,帮助开发者实现更专业的微信小游戏发布流程。

weixin_27972919的博客 568

【Claude Code】Claude Code 使用指南

本文介绍了AI编码助手Claude的基础和进阶操作指南。基础部分涵盖启动命令、模式切换(自动编辑/Plan/Yolo模式)、资源监控等核心功能,重点讲解了斜杠命令的使用方法。进阶操作详细说明了CLAUDE.md文件的创建与管理,包括项目规范、代码风格等内容的配置,以及如何通过该文件建立持久上下文。同时提醒了使用过程中的安全风险,建议通过配置文件限制AI对关键代码的访问权限。全文提供了完整的操作指引和安全建议,帮助开发者高效安全地使用Claude进行编码辅助。

大家好,我是敖云岚,一个沉迷代码的 “技术玩家”。擅长 Java、C++ 开发,对 MySQL、Redis、RabbitMQ 等技术也颇有研究。博客里既有硬核技术干货,也有诙谐幽默的编程日常分享。愿和你一起,笑着学技术,快乐敲代码! 1万+

【转载优快云官方资讯】逆袭!17岁学服装设计的中专女孩,以第12名成绩“杀入”阿里巴巴全球数学竞赛决赛圈...

此外,她也说道,“如果学习服装设计师我的 Plan A,那探索数学便是我的 Plan B,希望我的 Plan B 也能被看见......数学作为我的兴趣爱好,无论未来会怎么样,应该一直会持续下去,没有想过放弃它什么之类的。、剑桥、普林斯顿等国内外高校高手云集的赛道上,一位身披”17 岁、中专、女生、学服装设计“等标签的学生姜萍,“杀出”包围圈,成功入围“全球数学竞赛第十二名”,这一出色表现瞬间登上热搜,引爆全网。今年,阿里巴巴全球数学竞赛启动报名时,姜萍的数学老师王闰秋鼓励她报名参加。

蒲松龄 251

ComfyUI-Impact-Subpack插件安装避坑指南:为什么你的UltralyticsDetectorProvider节点还是找不到?

本文深入解析了ComfyUI-Impact-Subpack插件的安装与排障问题,特别是针对UltralyticsDetectorProvider节点缺失的常见问题提供了详细的解决方案。从底层机制到高阶应用,涵盖了手动安装、模型配置、性能优化等关键步骤,帮助用户彻底解决插件依赖关系断裂问题。

Jerry的专栏 1152

软件复杂性三大定律

大多数软件工程师,尤其是从事基础设施系统工作的工程师,都将不可避免地陷入不必要的复杂性,究其原因主要是本文所讨论的三条基本定律所致。原文链接:https://maheshba.bitbucket.io/blog/2024/05/08/2024-ThreeLaws.html未经允许,禁止转载!作者 | Mahesh Balakrishnan 责编 |夏萌译者|弯月出品 | 优快云(...

优快云资讯 1227

Flowable任务节点动态预测:基于任务ID与参数获取下一节点及候选分配策略

本文深入探讨了Flowable工作流引擎中任务节点动态预测功能的实现。通过解析任务ID与运行时参数,模拟流程执行路径,精准预测下一节点及候选用户/组集合,从而提升用户体验与系统透明度。核心在于利用自定义命令实现表达式求值,并深度解析候选者分配策略,确保预测结果与实际流程执行一致。

nnn11的博客 740

中山大学_数据科学与计算机_预推免

前言 2019 年 9 月中旬是中山大学预推免时间,本人没能进到夏令营,但是最后在预推免上岸也算不幸中的万幸。 记忆不一定准确,但希望能帮到他人。 想看 流程 的可以直接看总结,正文部分有本人心路历程。 预推免 中山大学的预推免大致可以分为 报道,机试,面试 三大部分,而且尤其是面试,所有人加起来总时长 3 天,幸运的是,本人被安排在第一天的下午第一场,上午就是机试,报道,机试,面试,无缝衔接。 ...

一把健 5208

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 228

智能化教育改革中的教师角色转变:AI应用架构师如何设计“人机协同”系统?

个性化与规模化的矛盾:如何用AI实现规模化的个性化学习,同时保留教师的“人文温度”?自动化与自主性的矛盾:如何用AI自动化流程(如批改),同时避免教师沦为“AI操作工人”?数据驱动与经验驱动的矛盾:如何平衡AI的“数据决策”与教师的“经验决策”,避免“算法偏见”或“经验固化”?在智能化教育改革中,教师始终是教育的核心——AI系统是“辅助工具”,而非“替代者”。

小白菜的博客 1269

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 315

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

排序算法深度笔记(下):非比较类排序的线性突破与工程边界

排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)

2401_87069538的博客 592

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

算法日常・每日刷题--<动态规划>42

本题为“不相交的线”,与最长公共子序列问题相似。使用动态规划求解:定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等,则继承左上值加1;否则取上方或左方最大值。最终返回 dp[m][n],即两数组的最大不相交连线数。时间复杂度 O(mn),空间复杂度 O(mn)。

2503_92261635的博客 22

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C语言程序设计题|有序数组插入数字冒泡排序

题目要求将一个数插入有序数组末尾,并用冒泡排序实现整体升序。代码先将输入数存入数组最后位置,再通过双重循环进行冒泡排序,每轮将较大元素向后移动,最终输出11个升序元素。该方法虽时间复杂度为O(n²),但符合题目要求,逻辑清晰,适合初学者理解排序原理。

2301_81429079的博客 750

【算法拾光】模拟|外观数列 + 数青蛙

本文总结两道模拟题解法:外观数列通过迭代统计连续数字个数生成下一项,关键在于处理末尾字符;数青蛙则模拟青蛙叫声“croak”状态转移,维护各阶段青蛙数量,记录最大并发数并确保全部完成。共性在于严格遵循流程、细致处理边界与非法情况,锻炼字符串遍历与状态管理能力。

wuqingyigexiaoba的博客 371

408 算法 04|主元素与三元组最小距离:两种“扫描时做决定“的思路

2013(41) 的主元素用摩尔投票一遍选出候选,但真正的考点是"选完必须验票";2020(41) 的三元组最小距离,三指针每次只挪最小的那个,靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出,附官方评分档位表。

m0_56226131的博客 412

牛客周赛165C题(前后缀性质,递推,排序,枚举)

题目大意:给定长度为 `n` 的数组,选择 `k ∈ [1,n]`,将前 `k` 个元素整体翻转,后面的元素不变。要求操作后的整个数组非递减,统计满足条件的 `k` 的数量。题目链接:https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度:O(nlogn)

2501_94316951的博客 172

【数据结构-3】算法美学之降复杂度

在while循环的循环体内,首先用临时变量保存最后一个位置的数据,再通过for循环把所有元素往后移动一位,最后把tmp中保存的值放到下标为0的位置上去。方法二的思路是:创建新数组,让原数组中后k个数据移动到新数组中前面的位置,让原数组中前numsSize-k个数据移动到新数组中后面的位置,这。这段代码的思路是:三次逆置,第一次逆置前numsSize-k个数据,第二次逆置后k个数据,最后整体逆置。这篇博文分享一道解法不一的算法题,求解过程的目的在于降低算法的时间复杂度,题源力扣。,属于空间换时间的操作。

weixin_44218929的博客 85

算法61,判定是否为字符重排

两字符串能互为重排 ⇔。

sheshibenniaodan的博客 219

算法日常・每日刷题--<动态规划>32

给定严格递增的正整数数组,求最长斐波那契子序列长度。使用二维DP,dp[i][j]表示以arr[i]、arr[j]为最后两项的序列长度,初始化均为2。通过哈希表快速查找前一项target = arr[j] - arr[i],若存在且下标小于i,则状态转移:dp[i][j] = dp[k][i] + 1。遍历更新全局最大长度,最终若结果小于3则返回0。时间复杂度O(n²),空间复杂度O(n²)。

2503_92261635的博客 178

算法札记:几何分布在算法题UVA1262的运用

集卡问题求解核心:将集齐n种优惠券的过程分为n个阶段,每个阶段期望购买次数为 $ \frac{n}{k} $(k为剩余种类数),总期望为 $ n \cdot H_n $(调和数)。通过自洽方程推导单阶段期望,无需几何分布或无穷级数,逻辑清晰且适用于大一水平。例如,n=5时期望约11.42,非5。题目要求以带分数形式输出精确结果,算法上需累加分数并化简。

Keven_11的博客 358

考拉兹猜想 - 7

本文通过引入虚数单位重构Collatz猜想的迭代逻辑,指出偶数减半与奇数“乘3加1”的过程在虚数坐标下等价于归结操作。关键在于:乘3加1使奇数跃升至偶数,随后持续减半,而虚数单位代表“无限减1”,实现无限向有限的转化。无论初始值如何,减半始终主导,最终归结为4-2-1循环。该视角消解了正向思维中的速度竞争疑虑,证明归结是必然结果。

杨铸人的博客 45

SSL证书选RSA还是ECDSA:公钥算法、CA签名与兼容性怎么核对

申请SSL证书时,RSA和ECDSA该怎么选?先分清站点公钥算法、CA签名算法和TLS实际兼容性,再用隔离OpenSSL实验读取两类材料,核对申请、续期和部署交接,避免只看Signature Algorithm就选错。

谁呀!的博客 400
上一篇: “土猪拱白菜” 的学霸张锡峰,如今也苦于卷后端
下一篇: 微软前员工:微软无视警告,罔顾国家利益!公司漏洞最终导致俄罗斯黑客的大规模攻击
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论 46
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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