九日卯贝-优快云博客

原创图论题目：一个有向无环图，如果u-＞v,认为u是v的祖先节点，求所有节点的祖先节点集合

要解决这个问题，可以使用拓扑排序和深度优先搜索（DFS）来找到每个节点的祖先集合。构建图：从edges数组构建图的邻接表。拓扑排序：对图进行拓扑排序，确保在处理每个节点时，其祖先节点已经处理过。深度优先搜索（DFS）：从每个节点开始进行DFS，找到其所有祖先节点，并存储在结果数组中。排序：对每个节点的祖先集合进行排序。实现步骤构建图：使用邻接表表示图。拓扑排序：使用Kahn算法（基于入度）进行拓扑排序。DFS：从每个节点开始进行DFS，找到其所有祖先节点。

2025-03-27 16:18:21 231

原创 B站-笔试

时钟中断是系统时钟（或定时器）定期触发的中断信号。系统时钟以固定的时间间隔（称为时钟周期或滴答率）发出中断请求，操作系统会响应这些中断请求，执行相应的中断处理程序。

2025-03-23 20:44:13 620

原创作业帮笔试

Belady 异常主要出现在 FIFO 页面置换算法中，而 LRU、OPT 和 CLOCK 算法不会出现这种异常。选择合适的页面置换算法可以有效避免 Belady 异常，提高系统的性能和效率。消息认证（Message Authentication）是一种用于验证消息完整性和真实性的技术，确保接收方收到的消息在传输过程中未被篡改，并且确实来自声称的发送者。消息认证的原理消息认证通常通过生成消息认证码（Message Authentication Code，MAC）来实现。

2025-03-20 22:33:45 925

原创饿了么一面

饿了么面试

2025-03-13 22:35:06 655

原创饿了么-笔试

创建型模式的主要目的是封装对象的创建逻辑，从而将对象的创建与使用分离。通过这种方式，代码的可扩展性和可维护性得到显著提升，同时减少了对象创建过程中对具体类的依赖。单例模式（Singleton Pattern）工厂模式（Factory Pattern）抽象工厂模式（Abstract Factory Pattern）原型模式建造者模式。

2025-03-07 21:50:24 887

原创 API调用Qwen系列模型

在标题下方，列出了主要演员的名字：劳伦斯·奥利维尔（Laurence Olivier）和琼·方丹（Joan Fontaine）。海报还提到，这部电影由阿尔弗雷德·希区柯克执导，大卫·塞尔兹尼克担任制片人，他也是《乱世佳人》的制片人。海报上有一幅插图，一个穿着白色连衣裙的女人站在一座豪宅附近，这可能是故事的背景曼德利。背景是绿色的，有两个人的图像，大概是主角，望着远方。这是电影《丽贝卡》的海报，由琼·方丹和劳伦斯·奥利维尔饰演两个主要角色。左下角还有一幅插图，显示一名女子站在阳台上，俯瞰着一座大房子。

2025-02-13 16:27:35 1478

原创 paddleOCR模型的安装和使用

paddlepaddle-gpu 2.5.1, cuda 11.6 + cudnn8.6.0 测试可以。实测ubuntu20.04+cuda11.8+cudnn8.6可以运行server模型。

2025-02-11 16:17:56 555

原创 pip设置临时目录和缓存目录,解决no space left on device问题

home目录所在的磁盘空间快满了，所以我将anaconda目录都放在了data目录下，但是在使用pip install -r requirements.txt命令安装文件时出现了no space left on device问题。

2025-01-15 16:51:09 385

原创 flux微调方法，搬运

微调的WEB_UI项目**** : 微调仓库**** ： Invoke 是稳定扩散模型的领先创意引擎，可帮助专业人士、艺术家和爱好者使用最新的 AI 驱动技术生成和创建视觉媒体。该解决方案提供业界领先的 WebUI，并可作为多种商业产品的基础。

2025-01-04 15:07:19 318

原创多卡训练调研

首先在前向过程中，你的输入数据会被划分成多个子部分（以下称为副本）送到不同的device中进行计算，而你的模型module是在每个device上进行复制一份，也就是说，输入的batch是会被平均分到每个device中去，但是你的模型module是要拷贝到每个devide中去的，每个模型module只需要处理每个副本即可，当然你要保证你的batch size大于你的gpu个数。然后在反向传播过程中，每个副本的梯度被累加到原始模块中。会自动帮我们将数据切分load 到相应GPU。

2024-12-30 01:49:56 801

原创什么是hook函数？

在深度学习和机器学习中，hook函数是一种用于在特定事件发生时执行自定义操作的机制。通俗一点讲，Hook钩子能在执行目标代码之前或之后，拦截数据或者执行逻辑，先执行自己插入的一段代码，然后再执行后续的代码。

2024-09-02 21:20:48 1002

原创 Yolov8环境配置

【代码】Yolov8环境配置。

2024-08-26 20:51:34 174

原创 ubuntu使用VM创建windows虚拟环境过程中强制关机导致显示器无法显示

ubuntu使用VM创建windows虚拟环境过程中强制关机导致显示器无法显示，nouveau驱动故障。

2024-08-24 00:42:51 201

原创 ubuntu22.04由于挂载故障导致开机后显示器黑屏

由于写入错误挂载信息到/etc/fstab导致服务器开机即进入紧急状态，但由于nouveau驱动故障导致显示器无法显示，紧急状态下无法通过键盘操作。

2024-08-24 00:35:58 797

原创 Linux JAVA环境配置经验总结【排雷】

在VScode环境下执行Java程序需要手动javac编译，但是执行 | Debug 请点击 Run | Debug ,使用java命令运行会让你怀疑人生。: 面向开发者,提供编译、调试和运行 Java 程序所需的全部工具和环境。: 面向最终用户,提供运行 Java 程序所需的最小环境。Linux JAVA环境配置经验总结【排雷】Linux JAVA环境配置经验总结【排雷】javac xxx.java 【编译】java xxx 【执行】JDK和JRE的区别。

2024-07-03 18:21:53 312 1

原创脚本控制鼠标点击达8.5cps

【代码】脚本控制鼠标点击达8.5cps。

2023-08-25 10:05:51 388 1

原创爬树的甲壳虫

爬树的甲壳虫关键字：概率DP；数论（递推推导，费马定理）；快速幂；问题描述问题分析概率DP递推公式：① 有的概率会滑落回位置，这样之后从位置开始到达树顶端的平均时间即；② 有的概率停留在位置i + 1，此时状态变为了从位置到树顶端的平均时间递推公式化简：问题转换给定的计算式，，求 , 为所取的模，题目给定的M为质数。子问题根据费马小定理：如果p是一个质数，而整数a不是p的倍数，则有。除法逆元化简公式：快速幂（将计算幂值的时间复杂度从O(n)降低到O（nlogn）

2022-11-14 21:05:25 316

原创使用VirtualBox快速安装Ubuntu并安装增强功能

使用VirtualBox安装Ubuntu并设置增强功能

2022-10-11 14:13:51 601

原创 Linux Shell 笔记

Linux命令行与Shell编程笔记

2022-05-13 23:56:23 453 2

蓝桥杯2022年省赛A组题目解析

这份文档是关于2022年省赛编程题目的刷题指南，内容包括以下几个部分：洛谷基础博弈论题：介绍了博弈论的核心原理，即必胜态和必败态的转换关系。 C++二分查找的简单写法：虽然文档中没有提供具体的代码示例，但提到了二分查找作为一种算法技巧。报名截止时间：提醒参赛者注意报名的截止日期是12月15日。 OI题目教程：建议参赛者通过做DP（动态规划）题目来提升解题能力。 A题目：裁纸刀：提供了一个题目的直觉解题思路，指出编程题目通常在想到解题点后实现会比较简单，并给出了一个具体题目的解题思路和答案。 B题：提供了一个博弈论问题的C++代码实现，包括状态的初始化和深度优先搜索（DFS）算法的应用。求和【计算题】：讨论了如何通过求前缀和来降低计算次数，从而优化算法效率，并给出了相应的C++代码示例。 D选数异或：讨论了如何使用哈希映射优化查询效率，并通过构建最小区间集合来解决问题，同样提供了C++代码示例。 E题目：提到了“爬树的甲壳虫”问题，暗示这是一个关于期望和概率DP的难题。

2024-08-26

python实现基本的数据结构

这份文档是关于Python中使用基本数据结构的教程，涵盖了以下主要内容：数组：介绍了数组的初始化、增加、删除、修改、查询、长度获取、排序以及最大值、最小值和总和的获取方法。链表：包括使用collections.deque进行链表操作的方法，以及如何手动实现链表类，包括插入、删除、打印等操作。栈：使用列表和collections.deque来模拟栈的操作，包括入栈（push）、出栈（pop）、查看栈顶元素（peek）和栈的大小。队列：使用列表和collections.deque来模拟队列的操作，包括入队（enqueue）、出队（dequeue）、查看队首元素（peek）和队列的大小。哈希表：通过一个简单的哈希表类HashTable来演示如何实现基本的哈希表操作，如插入、获取、删除、检查键是否存在以及获取键和值的列表。集合：介绍了集合的初始化、增加元素、删除元素和查询元素是否存在的方法。二叉树：包括自定义二叉树节点类TreeNode和使用数组实现树的方法，以及二叉搜索树BinarySearchTree的实现，包括插入、搜索和删除操作。 ...

2024-08-26

典型题目：优先队列+集合+字典；排序+二分查找；图论；线段树

典型题目：优先队列+集合+字典；排序+二分查找；图论；线段树；

2024-08-24

视频⽣成的初探及其可行性研究.pdf

图像生成到视频生成的“路线之争”：介绍了图像生成技术的发展历程，从早期的GAN到Diffusion模型，并讨论了文本到图像的生成技术，如DALL·E和CLIP模型。视频生成的探索及Mini-Sora (Mira) 的初步研究：分享了作者在视频生成领域的探索经验，包括对Sora模型的理解，以及Mini-Sora (Mira) 的研究进展。可控、编辑与应用：探讨了基于视频生成基础模型的可控性、编辑性以及应用潜力，包括空间控制、概念控制、风格控制等。研究经验总结-HandyEXP：作者分享了自己在研究过程中的经验和心得，包括对当前技术趋势的见解和对未来研究方向的展望。视频生成技术路线：讨论了视频生成技术的不同发展路线，包括预测未来帧的方法、GAN时代的视频生成、Diffusion时代的视频生成等。从图像到视频的初步探索：介绍了作者团队在将图像模型应用于视频生成的初步尝试，包括Tune-A-Video项目和ST-Atten方法。 VideoCrafter系列：展示了基于Stable Diffusion的视频生成模型VideoCrafter系列的研究和开发成果。

2024-08-24

开放词汇视觉感知综述pdf

这份PDF文档是关于开放词汇视觉感知的报告。报告内容涵盖了以下几个主要部分：课题背景介绍：介绍了视觉感知模型的发展，从2014年的Vgg到2017年的DenseNet、Transformer，指出了传统视觉模型在封闭概念空间的限制，并提出了开放场景中的挑战。开放词汇分类：探讨了如何使用大规模图像-文本对数据来训练模型，使其能够处理开放词汇的视觉分类任务，包括零样本学习、少样本学习和开集识别。开放词汇检测：讨论了开放词汇目标检测的挑战和方法，包括从自然图文对数据中获取知识，以及如何通过迁移学习和知识蒸馏来提升检测性能。开放词汇分割：介绍了开放词汇分割技术，包括像素级和区域级图文匹配方法，以及如何通过视觉-语言模型来提升分割精度。多模态大模型：分析了大规模视觉-语言预训练模型的出现如何推动开放词汇视觉感知的研究，并探讨了如何利用大模型来处理开放词汇任务。下游任务应用：讨论了开放词汇视觉感知技术在多目标跟踪、3D实例分割、场景图生成、视觉语言导航等下游任务中的应用。

2024-08-24

场景文本识别相关文章综述

这个PPT提供了关于场景文本识别(Scene Text Recognition, STR)领域的研究进展的综述。以下是对PPT内容的总结：字符矫正：论文《MORAN: A Multi-Object Rectified Attention Network for Scene Text Recognition》介绍了一种多对象矫正注意力网络，能够将旋转或扭曲的文本图像矫正成正常状态。字符定位：论文《Scene Text Recognition from Two-Dimensional Perspective》提出了一种基于字符注意力模块和可变形卷积的网络，用于提高对字符扭曲和旋转的适应性。数据增强：论文《Learn to Augment: Joint Data Augmentation and Network Optimization for Text Recognition》提出了一种可训练的数据增强方法，该方法能够朝着网络更难识别的方向进行增强。......

2024-08-24

MindSpore中部分hook函数实现流程解析

这个PPT主要介绍了在MindSpore框架中实现基于hook函数的模型结构，以及与PyTorch框架中hook函数的对标实现。以下是对PPT内容的总结：基于hook函数的模型结构：介绍了使用hook函数来修改或扩展模型的行为。基本完成需求1：调研了MindSpore的hook函数原理实现。增加了对标PyTorch的register_load_state_dict_post_hook和register_state_dict_pre_hook函数，以熟悉MindSpore框架流程。对标PyTorch的register_load_state_dict_post_hook函数实现：描述了PyTorch中该函数的作用，即在模块的load_state_dict方法调用之后执行自定义逻辑。介绍了钩子函数的参数和作用，包括如何处理加载参数时的缺失或多余键。说明了如何通过钩子避免在严格模式下抛出错误。提供调用register_load_state_dict_post_hook函数的接口：介绍了如何在MindSpore中实现和调用这个接口。在load_param_into_

2024-08-24

SAM-Based相关论文简介

这个PPT介绍了基于SAM（Segment Anything Model）的一系列工作，包括分层文本分割、交互式分割与识别、模型结合、框架结构以及一些应用场景。以下是对PPT内容的总结： Hi-SAM模型：一个统一的分层文本分割模型，能够在笔画、字、文本行和段落四个层次上进行文本分割，并实现布局分析。 Self-prompting Module：将图像特征转换为包含文本位置和上下文信息的prompt tokens。 S-Decoder：改进的SAM mask Decoder，用于生成文本笔画的掩码。 Open-Vocabulary SAM（OV-SAM）：一种新型视觉模型，结合了SAM的分割能力和CLIP的零样本识别能力，用于交互式分割和识别任务。模型结合方式：介绍了两种结合SAM和CLIP模型的方式：Image Cropping和Feature Cropping。OV-SAM模型通过SAM2CLIP和CLIP2SAM两个知识迁移模块来实现模型结合。模型框架：描述了训练和推理阶段的模型框架，包括教师-学生网络的蒸馏过程，特征表示的对齐，以及推理阶段的模型使用。 Gro

2024-08-24

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人