- 博客(46)
- 收藏
- 关注
RSS订阅原创 LeetCode热题100记录-【链表】
思考：先套判断是否为环形链表的模板，然后当两个指针相遇，将slow置为head，然后slow++，fast++，再次相遇就是环起点。思考：迭代写法，定义三个指针pre、cur、nxt，pre和cur负责将指针反转，然后依次向后移动，nxt负责进行下个要反转节点的移动。思考：用一个count记录进位情况，只要链表1和2有数值，并且进位有数值，每次的val就依次相加。思考：用递归，两两交换，就抽出我们交换的两个节点，其他节点用others，然后进行交换操作。思考：哪个小后面就接谁，最后跟上没遍历完的链表，秒。
2025-04-04 15:07:22
376
原创 LeetCode热题100记录-【矩阵、图论】
思考：对于行和列分别用两个标记数组，遍历数组如果发现对应行列有0，则标记为true，再遍历一次将标记为true的行列元素全部置为0。思考：跟二分查找的思路一样，要找到增加、减少的条件，二维把初始定位在右上角，这样向下就是增大，向左就是减少，就可以用二分查找了。思考：遇到一个小1就把它变成小0，并且把它四周的都感染成0，经典题，秒。思考：题目本质是判断有没有循环依赖，即检查图结构是否有环。思考：四个角就是四个边界值，框住，依次遍历。先按对角线翻转，再依次行翻转。思考：旋转90度，相当于。
2025-04-03 14:11:39
218
原创 Transformer【学习记录】
这里都是Self-Attention概念，Cross-Attention和Self-Attention不一样的点在于键和查询映射在交叉，注意力机制中会作用于不同的数据集，即Query和Key来自不同序列，常用于翻译任务。通过一个MLP层，问"根据你现在的新含义，你怎么调整向量中的数字？向量的初始位置相当于高维空间中的箭头，比如猫和狗的向量夹角就会小，和汽车的夹角就会大。例如：苹果，就代表苹果水果这个含义，不会因为他后面跟着苹果手机，就改变这个语言。例如：”我爱AI“ 可以拆解为[”我“，”爱“，”AI“]
2025-04-02 21:55:24
506
原创 LeetCode热题100记录-【子串、普通数组】
思考：维护一个大顶堆队列，offer相当于每次把窗口最右侧元素加进去，加进入的时候因为要维护最大值，所以会和窗口中最右侧元素比较，如果最右侧元素小就压死。求最值问题，本能想到用动态规划，思路很简单，要么集成前面的数组和+nums[i]，要么独立门户自己nums[i]，这样可以得到每个位置独立dp。思考：遇到两个字符串问题一般都要用valid，记录满足条件的个数，本题窗口收缩条件是valid>=目标要求，判断字符串长度，若长度小于subLength，就更新起始位置和subLength长度，最后返回。
2025-04-02 14:23:01
417
原创 LeetCode热题100记录-【哈希、双指针、滑动窗口】
思考：本质是看字母是否有相同编码，合理设置encode规则，可将所有相同字符串的规则作为哈希表的key，所求结果就是哈希表的values。思考：整体思路：用need哈希表存储所需要的字符和每个字符需要的个数，用window哈希存储目前的窗口元素。思考：从容器宽度最大时考虑面积，根据左右高度，依次收缩容器宽度，考虑所有可能面积。思考：两数之和用双指针，三数之和等于两数之和+顺序遍历第一个数。问题：最开始想用快慢指针，依次遍历，行不通，思路错误。思考：so easy，秒。思考：so easy，秒。
2025-04-01 15:30:07
250
原创 wsl2的centos7安装jdk17、maven
JAVA_HOME注意：如果按照上面的安装rpm，会存在/usr/java/jdk-17下面，可以ls /usr/java/jdk-17/bin/java，看是否有。输出，如果有，底下应设置成这个地址。
2025-03-31 21:23:19
432
原创 【分布式系统】2. GFS【学习记录】
当所有的服务器都返回确认消息说，已经有了要追加的数据，客户端会向Primary服务器发送一条消息说，你和所有的Secondary服务器都有了要追加的数据，现在我想将这个数据追加到这个文件中。追加数据时，面对Chunk的三个副本，当客户端发送了一个追加数据的请求，要将数据A追加到文件末尾，所有的三个副本，包括一个Primary和两个Secondary，都成功的将数据追加到了Chunk，所以Chunk中的第一个记录是A，假设第二个客户端加入进来，想要追加数据B，但是由于网络问题发送给某个副本的消息丢失了。
2025-03-31 18:36:43
849
原创 解决使用portainer时Error：Unable to retrieve image details
问题起因：docker安装了ollama，但想用portainer拉ollama的模型时，报错：Error，Unable to retrieve image details。实际我的问题是Portainer 的版本问题，需要升级到Portainer Community Edition (CE)找的博客大概都是网络问题、镜像问题、权限问题。然后刷新portainer页面，就成功了。
2025-03-31 15:48:09
231
原创 解决Centos7集成IDEA报git版本太低问题
Centos 7 服务器上默认安装的 Git 是 1.8.3.1 版本的。与最新的IDEA已无法匹配，需要更新。
2025-03-31 15:21:42
362
原创 解决wsl2下CentOS 7 的 yum 仓库无法连接问题
2.CentOS 7 已停止维护（EOL），自 2024年6月30日 起，CentOS 7 官方仓库已迁移到 vault.centos.org，原 mirrorlist.centos.org 不再更新。这个错误表明 CentOS 7 的 yum 仓库无法连接，主要是因为 mirrorlist.centos.org 域名解析失败或网络访问被阻止。1.网络连接问题：WSL2 的 DNS 配置异常，无法解析 mirrorlist.centos.org。看是否能成功安装，如果能就证明解决啦~
2025-03-31 14:27:04
695
原创 解决docker报错：docker run -d --restart=always --name portainer -p 9000:9000 -v /var/run/docker.sock:/var
先docker version，查看是否有runc 的版本，有显示的看是否版本太低。2.原来是旧版 portainer/portainer 镜像已弃用。然后下载runc相关的文件 runc.amd64。1.检查 WSL2 的 systemd 支持。好的，很多人是因为runc版本问题修复好了。不过我的systemd一直是运行的！查了一堆博客都说是runc的问题。我是跟的网上教程设置。
2025-03-30 20:57:43
174
原创 【分布式系统】1. 分布式系统简述【学习记录】
（non-volatile storage，类似于硬盘），可以在存储中存放一些checkpoint或系统状态的日志，当备用电源修复，可从硬盘中读出系统最新状态，并从那个状态继续运行。框架，允许应用程序设计人员、分布式运算的使用人员，只要编写简单的Map函数和Reduce函数，不需要知道任何有关分布式的事情，一切交给MapReduce框架。Map函数会将输入的每个单词拆分，输出一个key-value对，key是单词，value是1，最后对所有key-value计数。
2025-03-30 15:56:32
545
原创 解决docker报错：Error response from daemon: Get “https://registry-1.docker.io/v2/“: net/http: request ca
docker报错：Error response from daemon: Get “https://registry-1.docker.io/v2/”: net/http: request canceled while waiting for connection (Client.Timeout exceeded while awaiting headers)！然而，我配置了还是出错，于是我找了一些蛮稳定的源，你就全部加上去吧！我明明配置了阿里自己的源还是错！拉取你想要的镜像吧！
2025-03-29 21:52:15
368
原创 Git配置
下载zip只是当前分支，不能进行仓库push、pull、checkout若没有版本号出来，就去下载：https://git-scm.com/downloads （Windows、linux、mac去找对应下载资源）如果有代理地址可以配置。
2025-03-28 20:22:42
666
原创 解决端口号占用问题：Spring Boot报错，Web server failed to start. Port 8080 was already in use.
2. 使用任务管理器，选择详细信息，根据PID排序找到PID为5388的进程，然后点击选择结束任务即可。修改配置文件，加上参数：server.port=8014。或者在application.yml文件中添加。或者使用任务行，输入命令关闭进程。在访问时，替换对应的端口号即可。
2024-07-26 15:59:16
884
原创 解决IntelliJ IDEA报错：Failed to read candidate component class: file [ ]； nested exception is org.
最终发现，是Spring依赖与JDK版本不兼容导致。Spring创建时为低版本JDK，而最近运行此项目时使用的是现在安装的JDK22。于是将原先使用的 5.2.10.RELEASE 改为 6.1.0 报错解决。对于Spring 依赖的版本选择，可查阅。
2024-07-10 22:08:16
889
1
原创 解决数据库建表错误：ERROR 1064 (42000): You have an error in your SQL...
[TOC](解决数据库建表错误：ERROR 1064 (42000): You have an error in your SQL syntax;
2024-07-10 15:27:29
8157
1
原创 【深度学习】5. 序列模型【学习记录】
常用的可视化算法：t-SNE算法，将这个空间映射到低维空间，可以画出2维图像然后观察。使用词汇表来表示词的缺点：每个词都孤立，算法对相关词的泛化能力不强。词嵌入：语言表达的一种方式，可以让算法自动理解一些类似的词。训练一个新网络输入序列x输出序列y。
2023-11-30 11:26:04
474
原创 【深度学习】1. 神经网络和深度学习【学习记录】
训练神经网络的过程 ——> 深度学习ReLU激活函数(Rectified Linear Unit)：从趋近于零开始，然后变成一条直线(可规避掉负数情况，例如概率问题)神经网络的特点：输入x输出y，它可以自己计算训练集中样本的数目以及所有的中间过程；神经网络给予足够多的关于x和y的数据，非常擅长计算从x到y的精准映射函数表示：输入层—包含神经网络的输入隐藏层—中间结点的准确值无法知晓输出层—产生预测值一般情况：输入层不看作一个标准的层，则若只有一层隐藏层，记作双层神经网络符号惯例。
2023-11-23 16:39:46
415
原创 【GNN】图神经网络的实现
综合上面所有的内容，最重要的是以下两点：①不同GNN的本质区别是他们的消息传递机制不同，如GCN/GraphSAGE/GIN/GAT等等，只需要修改层的名称即可，目前已经达到了高度的集成化，不需要进行手撸，除非你的研究需要。Output层的输入不一样。●对于节点层面的任务而言可以直接self.conv = GCNConv(16, dataset.num_classes) ————这是直接把任务融合到卷积层也可以在卷积获取特征之后，后面加几个线性层●对于边层面的任务而言。
2023-11-20 16:19:41
320
原创 【论文阅读】从卷积到GCN---《Semi-Supervised Classification with Graph Convolutional Networks》
论文在如下几个任务中进行实验。
2023-11-20 15:56:04
1
1
原创 【论文阅读】《The Graph Neural Network Model》
子图匹配任务为在一个大图 G上找到给定的子图 S (标记出属于子图的节点)，也就是说，函数 T必须学习到，如果 ni,j属于子图 S，那么 T(Gi，nij)=1，否则，T(Gi，nij)=-1。第一条曲线为训练loss曲线，第二条曲线为训练的acc曲线，第三条曲线为评估的acc曲线，可以看出，训练的loss很快达到了最低0.56左右，而准确率达到了1.0，基本已经过拟合，而验证集的准确率一直很低，最高在第500个epoch处上升到0.667，约为 2/3左右。网页排序任务是学会网页排序。
2023-11-20 13:33:39
1
原创 【GNN】图神经网络简介
图是表示一些实体(nodes点)之间的关系(edges边)，可以在图的每个部分中存储信息。通过将方向性与边（有向、无向）相关联来专门化图。分为无向图、有向图。
2023-11-20 12:37:18
1541
原创 apollo 7.0预测模块学习笔记
首先处理上游模块消息，得到障碍物、主车、主车轨迹等信息，然后分析障碍物所在场景给障碍物赋予不同级别，再根据场景和障碍物类别去配置不同evaluator，最后对短期轨迹或者意图做一个后处理，从而生成完整轨迹。当前Apollo 7.0的轨迹预测由于有许多工程化方法，尚未提供量化分析其性能的方法或指标。我们可以通过剥离其代码，使用到传统轨迹预测的评测指标上来。但不可否认的是，由于TNT本身方法在之前轨迹预测中表现较好，且其改进版本DenseTNT也拿到了相关比赛的第一名，我们认为该方法对于准确性是有依托的。
2023-11-16 21:22:16
2227
3
原创 【深度学习】19.触发词检测【吴恩达深度学习笔记】
1、数据合成：创建语音数据集2、模型3、做出预测4、尝试自己的例子第五门课：序列模型第三周：序列模型和注意力机制了解了如何将深度学习应用于语音识别。在此作业中，您将构建语音数据集并实现用于触发词检测（有时也称为关键字检测或唤醒词检测）的算法。触发词检测是一种技术，它允许 Amazon Alexa、Google Home、Apple Siri 和百度 DuerOS 等设备在听到某个单词时唤醒。在本练习中，我们的触发词将是“激活”。每次听到你说“激活”时，它都会发出“叮当”声。
2023-11-14 13:46:45
255
原创 【深度学习】18.神经机器翻译【吴恩达深度学习笔记】
1、将人类可读的日期转换为机器可读的日期2、神经机器翻译与注意力3、可视化注意力第五门课：序列模型第三周：序列模型和注意力机制您将构建神经机器翻译 （NMT） 模型，以将人类可读日期（“2009 年 6 月 25 日”）转换为机器可读日期（“2009 年 6 月 25 日”）。您将使用注意力模型来执行此操作，注意力模型是最复杂的序列到序列模型之一。这款笔记本是与NVIDIA的深度学习研究所共同制作的。
2023-11-14 11:32:47
102
原创 【深度学习】17.表情符号【吴恩达深度学习笔记】
在这一部分中，您将实现一个名为“Emojifier-v1”的基线模型。模型的输入是对应于句子的字符串（例如“我爱你）。在代码中，输出将是一个形状为 （1,5） 的概率向量，然后您传入一个 argmax 层以提取最有可能的表情符号输出的索引。为了将我们的标签转换为适合训练 softmax 分类器的格式，让我们将 Y从其当前形状 当前形状 （m，1）变成“一热表示（m，5），其中每一行都是一个 one-hot 向量，给出一个示例的标签，您可以使用下一个代码截图器来执行此操作。
2023-11-14 11:06:13
144
原创 【深度学习】16.词向量操作【吴恩达深度学习笔记】
1、余弦相似度2、单词类比任务3、消除偏倚词向量第五门课：序列模型第二周：自然语言处理与词嵌入由于词嵌入的训练成本非常高，因此大多数 ML 从业者会加载一组预先训练的嵌入。完成此任务后，您将能够：1、加载预先训练的词向量，并使用余弦相似度来衡量相似性2、使用词嵌入来解决词类比问题，例如男人之于女人，就像国王之于__。3、修改词嵌入以减少其性别偏见接下来，让我们加载词向量。对于此作业，我们将使用 50 维 GloVe 向量来表示单词。
2023-11-14 10:34:48
133
1
原创 【深度学习】15.使用 LSTM 网络即兴创作爵士乐独奏【吴恩达深度学习笔记】
下面是我们将使用的模型的架构。这与您在上一个笔记本中使用的恐龙模型类似，只是您将在 Keras 中实现它。架构如下：我们将使用从更长的音乐片段中获取的 30 个值的随机片段来训练模型。因此，我们不会费心设置第一个输入 x⟨1⟩=0⃗，我们之前曾这样做过，以表示恐龙名称的开头，因为现在大多数这些音频片段都是从一段音乐中间的某个地方开始的。我们将每个片段设置为具有相同的长度 Tx=30使矢量化更容易。
2023-11-13 21:38:48
232
原创 【深度学习】11.角色级语言模型【吴恩达深度学习笔记】
您的模型将具有以下结构：1、初始化参数2、运行优化循环前向传播以计算损失函数反向传播，用于计算相对于损失函数的梯度剪裁渐变以避免渐变爆炸使用梯度，使用梯度下降更新规则更新参数。3、返回学习到的参数。
2023-11-13 21:14:06
88
原创 【深度学习】14.递归神经网络【吴恩达深度学习笔记】
1、基本递归神经网络的前向传播2、长短期记忆（LSTM）网络3、循环神经网络中的反向传播第五门课：序列模型第一周：循环序列模型递归神经网络（RNN）在自然语言处理和其他序列任务中非常有效，因为它们具有“记忆”。它们可以逐个读取输入𝑥⟨𝑡⟩（例如单词），并通过隐藏层激活传递从一个时间步到下一个时间步的一些信息/上下文。这使得单向RNN能够从过去获取信息以处理后续的输入。双向RNN可以从过去和未来获取上下文。符号：1、上标[𝑙]表示与第𝑙层相关联的对象。
2023-11-13 20:51:02
108
原创 【深度学习】13.神经风格转换【吴恩达深度学习笔记】
最后，让我们创建一个成本函数，同时最小化风格成本和内容成本。公式如下：练习：实现包括内容损失和风格损失的总成本函数。计算总成本函数参数：J_content -- 上面编码的内容成本J_style -- 上面编码的风格成本alpha -- 调整内容成本重要性的超参数beta -- 调整风格成本重要性的超参数返回：J -- 如上述公式定义的总成本return JJ总成本是内容成本 J_content(C, G) 和风格成本 J_style(S, G) 的线性组合。
2023-11-13 20:07:41
163
原创 【深度学习】12.人脸识别【吴恩达深度学习笔记】
1、问题描述2、YOLO3、在图像上测试训练YOLO第四门课：卷积神经网络第四周：特殊应用：人脸识别和神经风格转换将构建一个人脸识别系统。这里介绍的很多想法都来自于。人脸识别问题通常分为两类：1、人脸验证 - “这个人是声称的人吗？例如，在一些机场，你可以通过让系统扫描你的护照并验证你（护照持有人）是否是正确的人来通过海关。使用面部验证解锁的手机也是使用人脸验证。这是一个1对1的匹配问题。2、人脸识别 - “这个人是谁？例如，视频讲座展示了一个人脸识别视频（
2023-11-13 16:56:43
165
原创 【深度学习】10.目标检测【吴恩达深度学习笔记】
回忆一下，我们试图检测80个类别，并使用5个锚框。我们已经在两个文件 “coco_classes.txt” 和 “yolo_anchors.txt” 中收集了关于80个类别和5个锚框的信息。让我们通过运行下一个单元格将这些量加载到模型中。汽车检测数据集的图像大小为720x1280，我们对其进行了预处理，变为608x608的图像。
2023-11-13 16:28:11
123
原创 【深度学习】9.深度卷积网络：Residual networks【吴恩达深度学习笔记】
1、非常深的神经网络的问题2、构建残差函数3、在自己的图像上进行测试第四门课：卷积神经网络第二周：深度卷积网络：实例探究你将学习如何构建非常深的卷积网络，使用残差网络（ResNets）。在理论上，非常深的网络可以表示非常复杂的函数；但在实践中，它们很难训练。残差网络由何凯明等人引入，使你能够训练比以前实际可行的更深的网络。在这个任务中，你将：1、实现残差网络的基本构建块。2、将这些构建块组合起来，实现和训练一个用于图像分类的最先进的神经网络。3、本次任务将使用Keras完成。
2023-11-13 13:16:43
115
原创 【深度学习】8.深度卷积网络：KerasTutorial【吴恩达深度学习笔记】
1、快乐之家介绍2、在Keras中建立模型3、结论4、Keras中其它函数第四门课：卷积神经网络第二周：深度卷积网络：实例探究在这个任务中将：1、学习使用Keras，一个高级神经网络API（编程框架），使用Python编写，可以在多个低级框架上运行，包括TensorFlow和CNTK。2、看看如何在几个小时内构建一个深度学习算法。为什么我们使用Keras？Keras的开发目的是为了使深度学习工程师能够快速构建和尝试不同的模型。
2023-11-13 12:43:36
83
原创 【深度学习】7.卷积神经网络【吴恩达深度学习笔记】
实现卷积神经网络的构建模块：将实现的每个函数都将有详细的说明，指导完成所需的步骤：卷积函数，包括：1、零填充2、卷积窗口3、卷积正向传播4、卷积反向传播池化函数，包括：1、池化正向传播2、创建掩码3、分发值4、池化反向传播使用NumPy从头开始实现这些函数。在下一个节，使用TensorFlow等效的函数来构建以下模型：注意：对于每个正向函数，都有相应的反向函数。因此，在正向模块的每个步骤中，将在缓存中存储一些参数。这些参数在反向传播过程中用于计算梯度。
2023-11-12 22:13:57
124
1
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