- 博客(43)
- 收藏
- 关注
RSS订阅原创 10.10算法题整理
主要是建立一个graph（unordered map）用来存放依赖关系（注意，是存放每个点作为前置点连接的后续任务），然后建立入度数组ingree，存放每个点的入度。如果一个点没有前置，说明它的入度为0。然后先把所有入度为0的数组入队列，也就是bfs。取出每个队首，找到它后续任务，让所有后续任务的入度--，如果该任务入度为0，就入队列。
2024-10-10 14:24:18
265
原创 推荐、nlp、算法题等相关复习（0922-0929）
如果是回归任务，就可以借鉴决策树回归的原理（CART树，可以做分类和回归），它是根据分割把数据分成不同的子区域，（分裂条件是MSE最小），然后每个子区域（代表这个节点）计算子区域所有训练样本的平均值，作为这个叶子节点的输出。而模型预估出一个值z（z不是01之间的，是随便一个数），然后算出一个概率p，p=exp(z)/(1+exp(z))，用p拟合y，这样p越接近y，exp(z)就越接近播放时长。即首先我们先训练多个不同的模型，然后再以之前训练的各个模型的输出为输入来训练一个模型，以得到一个最终的输出。
2024-09-27 09:44:41
844
原创 算法题目复习（0909-0917）
思路就是dp[i] 是以i结尾的，前面任意选的子序列，dp[j]是以j结尾的子序列,要从j转移到i，就意味着nums[i]肯定大于nums[j], 那就找比i小的所有j里，dp[j]最大的进行转移，+1。每次选距离生成树最近的节点，将该点加入生成树，更新非生成树节点到生成树的距离。对所有边按权值从大到小排列，判断选中的边的两个端点是否在一个并查集内，如果不在，就加入到一个。初始化为每个点到第一个点的最小距离，然后迭代，它的重点在于选点，比较适合稠密图，复杂度是on平方。跟我想的差不多，用一个列表保存。
2024-09-17 14:00:27
461
原创 面试题复习（0902-0909）
如果排完序后的长度比k大，说明k在左边，就往左边回溯，如果比k小，就回溯右边，注意回溯右边的时候就不是找第k大了，而是k减去左边区间的长度。抑制复杂度的方法有：（1）树的最大深度（2）限制叶子结点的最少样本数量，有的特征缺失太多了就不放了（3）限制节点分裂时的最少样本数量（4）对训练样本采样，单个决策树学习时只使用。为啥要这两个结合呢，是因为决策树是if，else的，速度快，适合非线性关系，不需要对输入数据做标准化，特征工程少，，这是bagging的思想（5）随机森林的思想，学习单颗决策树时只使用。
2024-09-09 09:36:44
893
原创 最近算法岗笔试题整理
这个GIL锁相当于是线程运行的资格证，某个线程想要运行，首先要获得GIL锁，然后遇到IO或者超时的时候释放GIL锁，给其余的线程去竞争，竞争成功的线程获得GIL锁得到下一次运行的机会。我觉得应该是带attention的RNN，因为attention会通过输入的词语判断，而且根据图，一个词大多只与它周围窗口内几个词有关，说明是一个局部的特征（？迭代，第一次把数据分成n/2组，每组两个数，排序，第二次把数据分成四组，再排序，直到每个组只有一个数的时候。节点越不纯，基尼指数越大，熵越大，效果越差。
2024-08-22 13:42:42
1286
原创 AI/机器学习（计算机视觉/NLP）方向面试复习5
输入的是x的n-gram形式，输出的是类别。3、n-gram可以让模型学习到局部单词顺序的部分信息, 如果不考虑n-gram则便是取每个单词，这样无法考虑到词序所包含的信息，即也可理解为上下文信息，因此通过n-gram的方式关联相邻的几个词，这样会。：根据上面的字符级别的n-gram来说，即是这个单词出现的次数很少，但是组成单词的字符和其他单词有共享的部分，因此这一点可以优化生成的单词向量。dp的维度，长为n，包含0到n-1个物品，宽为weight+1，包含0到weight个重量选择。这里要构造二维数组。
2024-08-15 21:46:30
965
原创 AI/机器学习（计算机视觉/NLP）方向面试复习4
是结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系。它的基本单位是(实体-关系-实体)就是点-线-点。存储类型有结构化和非结构化的数据。结构化数据就是关系数据库，一张表格，关系很清楚，非结构化就是图片、音频、文本等。存储非结构化数据的方式：一个是通过RDF（资源描述框架）这样的规范存储格式来进行存储，还有一种方法，就是使用图数据库来进行存储，常用的有Neo4j等。RDF应该有点像我写过的xml文件，用来放网站数据库的知识图谱的技术框架如下。信息抽取知识融合知识加工。
2024-08-06 15:07:29
584
原创 各类型算法题整理（python、c++版）hot100
双指针问题，我想了好久，这题边界好容易出错。双指针要注意的是，左右指针相等的时候应该意味着当前子数组的长度为1.所以初始化最好置左指针为0，右指针为-1，每次先尝试右指针+1.（2）python不能直接results.append(path)，因为path在回溯过程中一直在变化！剪枝优化方式：因为path小于k的根本就不会当成结果，所以n-begin
2024-07-24 20:29:14
406
原创 AI/机器学习（计算机视觉/NLP）方向面试复习2
c++注意：可以直接用str.find(ch)找到string里对应char的索引。另外，substr的参数为：（起始位置，长度）1. 构造函数是__init__(), 继承类是写在了class后面的括号里。6. x输入的维度是：batch_size, seq_length, embed_size 批次大小，序列长度，单词长度。2. __init__和forward都要写self，在__init__里面定义公式。3. QKV都是输入的x根据线性模型得到的。3. 根据二叉树的后序和中序，写前序排列。
2024-07-21 11:05:42
355
原创 基于深度学习的图像检索
分成三个部分：特征提取、索引、评估。主要基于两个部分：图片特征的表达能力 近似最近邻的查找图像检索pipeline：1. 提取query图像特征2. 提取gallery图像特征3. 特征相似度匹配4. 输出k张最相似的gallery图像数据集分析：每个类别的文件分布，分辨率分布。分辨率杂乱：照片的像素都不同分成三个部分：train 训练图片gallery 目标图片query 查找的图片...
2024-07-19 14:03:35
246
2
原创 其他图论算法和模板
acwing3220 求强连通分量给一个有向图，求其中两个点是不是强连通的。使用tarjan算法模板来求。#include <iostream>#include <cstring>#include <algorithm>using namespace std;const int N = 10010, M = 100010;int n, m;int h[N], e[M], ne[M], idx;int dfn[N], low[N];int s
2024-07-19 14:02:25
234
原创 acwing3300食材运输
首先是30分的做法：对一个树，找遍历其中几个点的最短路：回到起点的做法：dfs遍历一遍，就是把每个边走了两倍。不回到起点的做法：会停在某个点上。ans = 总长度 - 根到最后一个点的长度（停在距离根节点最远的点上，ans最小）这是一种贪心的思想，预处理出所有的起点进行遍历得到的最短路。接着就是从k个食材中选m个这个是非常经典的重复覆盖问题。...
2024-07-19 14:01:38
240
1
原创 AI/机器学习（计算机视觉/NLP）方向面试复习1
所有节点的度要么为0，要么为2，且所有的叶子节点都在最后一层。重点在于创建一个TreeNode类，并且写出构造函数，调用构造函数创建节点。二分法求解。递归。图像生成模型。图像生成模型比较了解的两种是GAN和diffusion。GAN的基本流程：生成器可以用任何输出二维图片的网络，例如DNN或者CNN。Discriminator一般输入为图片，输出为real或者fake。
2024-07-17 15:40:15
922
原创 Could NOT find ZLIB (missing: ZLIB_LIBRARY) (found version “1.2.11“) windows解决方法
下载后，先用cmake编译，生成到build里。应该是openexr需要这个库。
2024-02-21 16:38:08
903
1
原创 c++安装OpenEXR库（windows下）
注意windows要装git，不然configure会失败，git直接装官网的安装包就行了。然后发现Imf那个命名空间报错，发现是没有lib文件，再把所有lib文件也加到附加依赖项里。再发现运行过程中报错，说没有dll，再添加dll到project/x64/Debug/里。解压openexr后，创建build文件夹并将cmake里设置一下并生成。然后打开visual studio，用openexr官网的例子进行编译。编译的时候先发现include头文件报错，把头文件添加到附加包含目录里面。
2023-09-26 18:25:14
651
1
原创 影像计算课上对于一些深度学习的思考
调了很多模型，包括目标检测的yolo，分类的cnn，efficientnet，这次做分割的unet和resunet。但是在调模型的时候，我发现很难真正学到什么经验，我只是在改输入输出路径，调bug，对输出的东西处理。最难的应该是调unet，花了很多时间在统一数据集的格式和输出的东西上，因为我不太理解gif，png，jpg存储的区别，cv2和Image读取图片的区别，位深1，8（灰度图和彩色图的区别），二值图（true，false）和普通灰度图（0-255）的区别，导致总是报错。
2022-12-03 15:07:46
797
原创 python实现随机梯度下降
梯度下降和随机梯度下降的区别是，梯度下降在每次更新时，使用所有样本来计算，这样的实现在大型数据集上运行会非常慢，会被认为是浪费资源。SGD是训练深度神经网络时最重要的算法。mini-batch随机梯度下降是采样小批量数据来更新。虽然不是每次迭代得到的损失函数都向着全局最优方向，但是大的整体的方向是向全局最优解的。python实现随机梯度下降如下，使用常规的线性模型来测试效果。随机梯度下降指的是用样本中的一个例子来代替所有的样本，...
2022-07-23 17:38:47
3271
原创 Deep learning for Computer Vision with Python笔记（5）构建线性分类器并优化参数
整个线性分类器的过程可以用下图来表示。图像矩阵×权重矩阵＋b，得到最终的y是一个n维向量，n是标签的个数。w的大小是由图像大小决定的。线性分类器的好处有1.一旦数据和标签定下来，我们只需要考虑w和b对于模型的影响。2.预测的效率非常高。............
2022-07-18 10:49:01
743
原创 Deep learning for Computer Vision with Python笔记（4）构建KNN图像分类器
由于每个环境的版本都在更新，所以他们的兼容性非常复杂，尽管它们的更新会带来新的优化和训练神经网络的能力。用到的库介绍1.同时支持TensorFlow和Theano2.分布式多机器学习的深度学习库，在海量数据集上训练深度神经网络架构时，跨多个GPU、多设备并行训练的能力是非常重要的。3.主要目的是实时图像处理，将图像表示为Numpy数组。它使用c++写的，但是支持python的接口。4.和用于图像处理的算法，实现创建训练测试和验证的功能。...............
2022-07-15 17:57:23
767
原创 Deep learning for Computer Vision with Python笔记（3）图像数据集介绍
在开始训练之前，我们要知道如何去创建一个数据集，并且构建图像分类器。我们首先将介绍书中将会用到的数据集。这是一个手写数据集，目的是为了识别手写的0～9。它通常用来作为基准数据库，用来对机器学习算法的表现进行排序。 它包含60000个训练数据和10000个测试数据，特征维度是784维，包含28✖️28像素的图片。这些像素是0～255范围内的整数（只有单通道的像素）。 这是一个包含猫，狗和熊猫的三类动物数据集，分别每个类包含1000张图片。这个数据集将在第十章使用卷积神经网络时进行使用。它常用于作为Kaggle
2022-07-12 09:28:52
1544
原创 Deep learning for Computer Vision with Python 笔记（2）图像基础
像素是图像的构成元素，每个图片都是由一系列像素组成。一个图片的像素数量=长像素数*宽像素数。大多数像素可以分成两类：灰通道的像素是一个标量，它的取值在0～255之间，其中0表示黑色，255表示白色。彩色通道的像素是一个三元组，三元组中的值表示红、绿、蓝颜色的数量，它们的范围都在0～255之间。我们通常用8位int表示0～255之间的数。但是，通常情况下，我们并不会将图片的像素数据直接放入神经网络中进行训练，其中都要进行一个数据转化的过程，即使用一些加载方式（例如OpenCV）将像素int数据转成float类
2022-07-08 16:25:57
1598
原创 Deep learning for Computer Vision with Python（1）从零开始入门计算机视觉
计算机视觉与深度学习阅读笔记
2022-07-07 14:56:05
1171
原创 如何配置一个极简舒适的终端环境：oh-my-zsh 和iterms配置
研究了几天对于终端的配置，使得编写代码更方便并且美观极简。为了使用方便，可以一边看视频一边写代码，我使用iterms代替ac terminal作为工具。这些配置同样可以在ac terminal上使用。
2022-01-26 23:27:43
819
原创 BFS题型总结
1. 走迷宫：给01矩阵，求从左上角走到右下角至少要多少步。“至少”：最短路问题，用BFS每次遍历一个层，当走到的时候输出就行。这里需要设置st数组来标志每个位子是否被走过？不需要，用一个dist数组来保存走的每一层就行啦。注意：这一段不能直接令dist[x][y] = min(dist[x][y], dist[t.first][t.second]+1), 否则会陷入死循环，只有更新后的点才能加入队列。 if(dist[x][y] > dist[t.first.
2021-09-05 15:33:24
225
原创 DFS题目总结（基础题）
1. DFS输出1-n的全排列（acwing 842）思路：输出排列方法，用DFS递归每一个搜索过程，用st记录每个数字有没有被访问。注意1.path不能用vector表示dfs函数中，参数x表示选中的第几个数，不用return来回溯，如果用return回溯，就相当于图的遍历。如果选中大于n个数，函数会直接结束。还要用一个path数组，记录路径。这里路径是选中的数，必须选到结尾后再一起输出。# include<bits/stdc++.h>using namespac.
2021-09-05 11:03:01
324
原创 信息安全期末复习
信息安全1. 信息安全的基本概念是什么？保护计算机系统的正常运行，具体表现为三个基本属性：保密性、完整性、可用性。2. 信息安全的基本服务有哪些？物理安全、网络安全、操作系统安全、软件安全、数据安全3. 密码体制模型的概念是什么？由明文空间、密文空间、密钥空间、加密算法和解密算法构成的密码体制。（五大要素）4. 密码体制原则是？1. 扩散和混淆 是设计密码体制的两种基本方法。5. 密码体制的分类是？1. 可分成对称密码体制和非对称密码体制。6. 密码体制的安全性分类及典型攻击有？（简答
2020-11-29 21:17:06
672
原创 多媒体技术复习整理
多媒体技术复习常见文件：wav文件是波形文件，MPEG文件是视频文件，MIDI是电子音乐文件，记录控制命令信息媒体的类型：感知媒体，显示媒体，表示媒体，传输媒体，存储媒体多媒体的特征有很多（多维化、实时性、交互性、数字化、集成性），本质特征：交互性。多媒体的技术很多（数据压缩技术、基于内容的多媒体处理技术、专用芯片技数据存储与传输技术），关键技术：压缩编码技术声卡：单声道，采样频率，量化位数，采样时间，算采集到的数据（计算）（PCM的频率是8000）奈奎斯特抽样定理：要想
2020-11-29 21:14:51
356
原创 实训day5 yolov3的完成
yolov3的完成我使用了这个博客的教程：https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-5/ 进行了yolov3的框架的搭建，以下是几个要点：detect.py中，的重要标志是images（用于指定输入图像或图像目录），det（将检测结果保存到的目录），reso（输入图像的分辨率，可用于速度-精度的折衷），cfg（替代配置文件）和weightfile
2020-07-06 19:29:49
233
2
原创 实训day4 yolo1代码运行
yolo1代码运行今天主要是在pycharm上运行pytorch的yolo1训练和测试代码。主要遇到的问题：1.训练 文件路径的修改，开始没有找到tmp_file文件，就在该文件夹下创建了这个txt文件，但是发现： if isinstance(list_file, list): # Cat multiple list files together. # This is especially useful for voc07/voc12 combinat
2020-07-05 19:55:55
1168
5
原创 实训day3 环境配置
1. 对卷积神经网络的学习CNN中的层：convolution层，relu层，pooling层。各层传递的数据是有形状的数据。不同于全连接层，卷积层可以保持数据的形状不变。其中CNN的输入输出数据为特征图。卷积运算会对输入数据应用滤波器。滤波器相当于权重。**填充：**向输入数据的周围填入固定的数据。“幅度为1的填充”指的是用幅度为1的像素0填充周围。填充是为了调整输出的大小。**步幅：**应用滤波器的位置间隔。yolov4：cutmix和mosaic...
2020-07-04 22:07:19
176
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人