BigCowPeking

原创 leetcode中简单题的算法思想

确定子问题的参数，这些参数定义了子问题的唯一性。

原创 leetcode简单题数组和技巧题

数组是一种，可以用来处理常见的排序和二分搜索问题，典型的处理技巧包括对撞指针、等。面试中的算法问题，有很多并不需要复杂的数据结构支撑，就是用数组，就能考察出很多东西。排序中地，堆排序需要重点掌握。

原创 拼多多算法code（2）

原创 平多多面试题(1)

原创 leetcode 解题思路

用不用辅助内存：bool数组、标记数组、位运算、队列（广搜）、栈（深搜）1、先头脑风暴解题思路，哪些数据结构、哪些算法、用不用辅助内存？时间复杂度：1-t次遍历O(n)，循环O(n^2)空间复杂度：不用辅助内存O(1)，要用O(n)以上。数据结构：数组、链表、队列、栈、树、图、排序。算法：迭代、递归、贪心、动态规划、分治归并。2、列举后比较：时间复杂度？

原创 快手等概率的洗牌法则

使用Fisher-Yates洗牌算法打乱数组。，设计算法来打乱一个没有重复元素的数组。# 重置数组到初始状态。# 初始化Solution对象。

原创 快手查找两数之和

这是因为我们需要对数组中的每个元素执行一次二分查找，每次查找的时间复杂度是O(logn)。return "yes" # 找到一对数，它们的和等于K。print(search_pair_with_sum(A, K)) # 输出: yes。print(can_sum_to_k(A, K)) # 输出: yes。# 如果另一个数在集合中，说明存在两个数相加等于K。return "no" # 如果没有找到，返回"no"这种方法的时间复杂度是 O(nlogn)，其中 n 是数组。# 遍历数组A中的每个元素。

原创 多头注意力机制带mask的

下面我将为你提供一个完整的Python实现，使用PyTorch框架来构建多头注意力机制。2. **MultiHeadAttention**：实现了多头注意力机制，包括线性变换、分割头、注意力计算和合并头。3. **Example usage**：示例代码展示了如何使用多头注意力机制，并打印输出和注意力权重的形状。1. **ScaledDotProductAttention**：实现了缩放点积注意力机制。希望这段代码对你有帮助！如果有任何问题，请随时告诉我。首先，确保你已经安装了PyTorch库。

原创 leetcode 排序算法汇总

排序算法

原创 leetcode top100中的30道递归和贪心

21到30题。

原创 leetcode top100中的30道矩阵和数组

11到20。

原创 leetcode top100中的30道简单和中等难度的题

1—10题。

原创 leetcode代码 50道答案

stack = []else:

原创 leetcode 50个简单和中等难度的题

简单难度题目（25个）‌两数之和 (Two Sum)‌ ‌有效的括号 (Valid Parentheses)‌ ‌罗马数字转整数 (Roman to Integer)‌ ‌最长公共前缀 (Longest Common Prefix)‌ ‌合并两个有序链表 (Merge Two Sorted Lists)‌ ‌移除链表元素 (Remove Linked List Elements)‌ ‌实现strStr() (Implement strStr())‌ ‌搜索插入位置 (Search Inse

原创 图像大模型面试题

DDIM 与DDPM相比，忽略了条件[公式] ，是一个更一般的过程。在前向扩散中，DDPM尽管有累积公式，但其过程本质上是逐步的，每一步都依赖于前一步，符合马尔科夫链的定义。DDIM公式结构直接生成 [公式] ​，使得每一步都是独立的，不符合马尔科夫链的定义。在采样过程中，直接用 [公式] 替换 [公式] ，表示 [公式] 是独立的，使得整个过程不再是一个马尔科夫链，实现了跳步操作加速运算。1:ddim和ddpm的区别。

原创 emo科普论文

在图像预训练阶段，Backbone Network和ReferenceNet在单帧上进行训练，而在视频训练阶段，引入时间模块和音频层，处理连续帧。从EMO的框架可以看到，利用骨干网络获取多帧噪声潜在输入，并尝试在每个时间步将它们去噪到连续的视频帧，这个骨干网络是类似于SD 1.5的UNet的结构配置。EMO模型通过这种结合使用参考图像、音频信号、和时间信息的方法，能够生成与输入音频同步且在表情和头部姿势上富有表现力的肖像视频，超越了传统技术的限制，创造出更加自然和逼真的动画效果。

原创 阿里达摩院招聘Research Intern

阿里达摩院招聘Research Intern

原创 硕士、博士招聘招聘

招聘招聘

转载 王阳明：＜二＞ 立志，勤学，改过，责善

明武宗正德元年，王阳明因反对宦官刘瑾，被贬至贵州龙场的荒僻之地。在龙场这既安静又困难的环境里，王阳明在一种困顿和痛苦之中，结合自己历年来的遭遇，日夜反省，终于在一天半夜豁然大悟，认识到“圣人之道，吾性自足，向之求理于事物者误也”，史称“龙场悟道”。王阳明在顿悟时认识到：圣人之道吾性自足、人人皆可成为圣人，正是他懂得的第一件事，有了这一基础，就人人可以参悟心学智慧，向人生的更高处迈进。就在这期间，王阳明又写了《教条示龙场诸生》一文，提出了另外四件事，用以...

转载 王阳明： ＜一＞ 破山中之贼易，破心中之贼难

我国有着几千年的历史，自周天子巡视诸侯到清朝问鼎中原，期间诞生出很多经典的学说和能人异士。比如春秋时期的孔孟老庄，宋代的理学大师朱熹，一直到了明代，更是文学创作空前繁荣，很多才子齐聚一堂，共同谱写中华文化的锦绣华章。公元1472年，大明朝诞生了一位圣人，他的名字叫王守仁，别号阳明。王阳明是明代的思想家、教育家、军事家、哲学家，同时他也是心学集大成者。王阳明逝世后，从祀孔庙，这说明王阳明的心学思想，已经得到了官方的认可，后来他的学说还传入了日本和朝鲜，弟子遍布天下，信奉者不...

原创 知行合一的心学智慧

之前在上学的时候，看到师兄头像的备注是知行合一，那个时候哪里知道知行合一是个啥意思呢，也从来没有思考过，后来开始工作，接触到了王阳明，才知道中国传统文化的博大精深，开始学习王阳明，孔子，zengguof...

转载 Python: 多线程join

视频地址：https://www.bilibili.com/video/av16944429?p=31: join所完成的工作就是线程同步，即主线程任务结束之后，进入阻塞状态，一直等待其他的子线程执行结束之后，主线程在终止2:：默认情况下（其实就是setDaemon(False)），主线程执行完自己的任务以后，就退出了；代码例子：import threadingimport ...

转载 阿里云（一）云存储OSS的命令行osscmd的安装和使用

一、安装Python在Linux Shell里验证Python版本： $ python -V Python 2.7.10二、安装OSScmd SDKosscmd是基于python 2.5.4(其他版本没有试过)，用来操作OSS的，可使用命令行来上传和下载文件1、下载：https://help.aliyun.com/document_detail/32171.html?spm=5...

转载 原创 人脸检测 RetinaFace

原创 人脸检测 RetinaFace ...

原创 国学：从今天开始学习传统文化

推荐书籍：https://www.zhihu.com/question/28812232?sort=created1、四书五经 “四书五经”是中国的“圣经”。“四书五经”是《大学》、《中庸》、《论语》和《孟子》（四书）及《诗经》、《书经》、《礼记》、《易经》、《春秋》（五经）的总称。这是一部被中国人读了几千年的教科书，包含了中国古代的政治理想与治国之道，是我们了解中国古代社会的一把钥匙...

转载 人脸关键点定位：300W数据集

300W 数据集是一个非常通用的人脸对齐数据集，也是近年来凡paper，都要出指标比对的必然数据集。该数据集共计3148+689张图像，每个图像上包含不止一张人脸，但是对于每张图像只标注一张人脸。该数据集包含的文件目录为：afw(337)，helen(train 2000+test 330)，ibug(1...

转载 pytorch 自定义网络结构 +自定义数据加载

自定义网络结构 import osos.environ['CUDA_VISIBLE_DEVICES'] = '3'os.system('echo $CUDA_VISIBLE_DEVICES') import torchimport torch.nn as nnimport torch.nn.functional as Fimport torch.utils.data as dat...

转载 pytorch学习-数据处理生成batch

开始学习PyTorch，在此记录学习过程。准备按顺序写以下系列：加载数据并生成batch数据数据预处理构建神经网络Tenso...

转载 行人检测：Repulsion Loss: Detection Pedestrians in a Crowd 2018CVPR

全球计算机视觉顶会 CVPR 2018 （Conference on Computer Vision and Patte...

转载 行人检测：CSP: Center and Scale Prediction CVPR2019

 今天跟大家分享一篇昨天新出的CVPR 2019论文《High-level Semantic Feature Detection:A New Perspective for Pedestrian Detection》,作者将行人检测问题转化为高级语义特征检测的问题，刷新了行人检测精度的新高度！而且作者称代码将开源。 论文作者信息：  作者分...

转载 行人检测：HyperLearner2017CVPR

本篇文章出自CVPR2017，四名作者为Tsinghua University，Peking University, 外加两名来自Megvii（旷视科技）的大佬。 文章中对能够帮助行人检测的extra features做了诸多分析，并且提出了HyperLearner行人检测框架（基于Faster R-CNN改进），在KITTI&Caltech&Cityscapes数据集上实现了极...

转载 人脸对齐：ICCV2017 How far are we from solving the 2D & 3D Face Alignment problem

ICCV2017 https://www.adrianbulat.com/face-alignment Pytorch Code: https://github.com/1adrianb/face-alignment Torch7 Code: https://github.com/1adrianb/2D-and-3D-face-alignment本文深入探讨了人脸对齐问题，文章题目起的很霸...

转载 人脸对齐：边缘感知人脸对齐算法LAB

清华&商汤开源超高精度边缘感知人脸对齐算法 作者 | Wayne Wu 等 译者 | Zhiyong Liu 编辑 | Vincent AI 前线导读：人脸对齐是找到人脸位置之后，再找出人脸特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等点的位置。可以理解成面部特征点定位或者人脸五官定位。这项技术的应用很广泛，比如自动人脸识别，表情识别以及人脸动画自动合成等。由于...

转载 如何快速转载优快云中的博客

前言  对于喜欢逛优快云的人来说，看别人的博客确实能够对自己有不小的提高，有时候看到特别好的博客想转载下载，但是不能一个字一个字的敲了，这时候我们就想快速转载别人的博客，把别人的博客移到自己的空间里面，当然有人会说我们可以收藏博客啊，就不需要转载，(⊙o⊙)… 也对。实现  因为我自己当初想转载的时候却不知道该怎么转载，所以学会了之后就把方法写出来，帮助那些想转载却不知道该怎么转载的...

转载 人脸对齐: 基于改进Coarse-to-fine CNN网络的人脸特征点定位

基于改进Coarse-to-fine CNN网络的人脸特征点定位原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50099115作者：hjimce一、相关理论    本篇博文主要讲解2013年face++的大牛们提出粗到精人脸特征点定位算法...

转载 人脸对齐：PFLD_2019_CVPR

一篇优秀的人脸特征点检测算法，学习一下~paper: PFLD: A Practical Facial Landmark Detectorlink: PFLD papercode: no open source yet Android apk摘要人脸关键点检测器实际应用所需特征: 准确...

原创 人脸关键点：trick总结

1：需要人脸的均值图片2：需要人脸的mean_shape3: 需要人脸平均的128*128的均值和方差；之后采用减去均值除以方差；4：两阶段的需要旋转和对齐；5：添加预训练模型...

转载 caffe自定义层：imagedata层实现多标签

简介注意一下caffe的版本，我用的是最新版本的我们都知道ImageDataLayer是直接读取原图进行分类，它的label是单label，文件格式如下train.txt示例001.jpg 1002.jpg 2003.jpg 3layer { name: "demo" type: "ImageData" top: "data" top: "labe...

转载 caffe中层:label从0开始

最近在做一个分类任务的实验的时候，对标签的取值产生了一些疑惑，所以看了一点对应的源代码，顺利解决了疑惑，在这里和大家分享，如果有什么理解错误还请大家指出。之前做分类任务的时候总有听说，标签(label)的取值需要从0开始，按照个人的习惯，我在之前的分类实验中，标签的取值一直也都是从0开始（假如有5类，那么label的取值就是0,1,2,3,4），没有作死取其他值，所以也一直一帆风顺。而在最近的...

转载 caffe实现多标签分类：制作LMDB的方式

Caffe自带的图像转LMDB接口只支持单label，对于多label的任务，可以使用HDF5的格式，也可以通过修改caffe代码来实现，　我的文章Caffe 实现多标签分类　里介绍了怎么通过修改ImageDataLayer来实现Multilabel的任务，　本篇文章介绍怎么通过修改DataLayer来实现带Multilabel的ＬＭＤＢ格式数据输入的分类任务１．　首先修改代码...