当前位置: 首页 > news >正文

优先队列(典型算法思想)—— OJ例题算法解析思路

目录

一、1046. 最后一块石头的重量 - 力扣(LeetCode)

算法代码: 

代码思路

使用优先队列(大根堆)

将所有石头放入堆中

模拟碰撞过程

返回最后的重量

代码解析

时间复杂度

示例

输入

输出

二、703. 数据流中的第 K 大元素 - 力扣(LeetCode) 

算法代码: 

代码思路

使用小根堆(最小堆)

构造函数

添加元素的方法

代码解析

时间复杂度

示例

输入

输出

三、692. 前K个高频单词 - 力扣(LeetCode)

算法代码: 

代码思路

统计单词频率

自定义比较器

维护小根堆

提取结果

代码解析

时间复杂度

示例

输入

输出

四、295. 数据流的中位数 - 力扣(LeetCode) 

算法代码: 

代码思路

使用两个堆

添加数字

计算中位数

代码解析

时间复杂度

示例

使用示例

输出


一、1046. 最后一块石头的重量 - 力扣(LeetCode)

算法代码: 

class Solution {
public:int lastStoneWeight(vector<int>& stones) {// 1. 创建⼀个⼤根堆priority_queue<int> heap;// 2. 将所有元素丢进这个堆⾥⾯for (auto x : stones)heap.push(x);// 3. 模拟这个过程while (heap.size() > 1) {int a = heap.top();heap.pop();int b = heap.top();heap.pop();if (a > b)heap.push(a - b);}return heap.size() ? heap.top() : 0;}
};

代码思路

  1. 使用优先队列(大根堆)

    • 利用 priority_queue 来模拟石头的碰撞过程。大根堆可以帮助我们快速找到当前最重的两块石头。

  2. 将所有石头放入堆中

    • 通过循环将给定的石头重量插入到优先队列中。这样,最重的石头将始终位于堆的顶部。

  3. 模拟碰撞过程

    • 使用 while 循环,当堆中石头的数量大于 1 时,继续进行碰撞。

      • 从堆中取出两块最重的石头(a 和 b)。

      • 如果 a 和 b 不相等,将它们的重量差(a - b)重新放回堆中。

      • 如果它们相等,则两块石头都被摧毁,不会被放回堆中。

  4. 返回最后的重量

    • 当堆中只剩下一个石头时,返回这个石头的重量;如果没有石头剩下,则返回 0。

代码解析

class Solution {
public:int lastStoneWeight(vector<int>& stones) {// 1. 创建一个大根堆priority_queue<int> heap;// 2. 将所有元素丢进这个堆里面for (auto x : stones)heap.push(x);// 3. 模拟这个过程while (heap.size() > 1) {int a = heap.top(); // 取出最大元素heap.pop();         // 移除最大元素int b = heap.top(); // 取出第二大元素heap.pop();         // 移除第二大元素if (a > b)         // 如果不相等,进队差值heap.push(a - b);}return heap.size() ? heap.top() : 0; // 返回最后的重量}
};

时间复杂度

  • 将所有石头插入到优先队列的时间复杂度是 O(n log n),其中 n 是石头的数量。

  • 每次从堆中取出两个元素并可能插入一个元素的操作时间复杂度是 O(log n),这在最坏情况下会进行 n 次,因此整体最坏的时间复杂度为 O(n log n)。

示例

输入

vector<int> stones = {2, 7, 4, 1, 8, 1};
Solution sol;
cout << sol.lastStoneWeight(stones); // 输出:1

输出

  • 在这个例子中,最终剩下的石头重量是 1。

这种方法通过使用大根堆有效地处理了石头碰撞的问题,能够快速找到最重的石头并进行处理。

二、703. 数据流中的第 K 大元素 - 力扣(LeetCode) 

算法代码: 

class KthLargest {// 创建⼀个⼤⼩为 k 的⼩跟堆priority_queue<int, vector<int>, greater<int>> heap;int _k;public:KthLargest(int k, vector<int>& nums) {_k = k;for (auto x : nums) {heap.push(x);if (heap.size() > _k)heap.pop();}}int add(int val) {heap.push(val);if (heap.size() > _k)heap.pop();return heap.top();}
};
/*** Your KthLargest object will be instantiated and called as such:* KthLargest* obj = new KthLargest(k, nums);* int param_1 = obj->add(val);*/

代码思路

  1. 使用小根堆(最小堆)

    • 利用 priority_queue 来创建一个小根堆,堆中最多保留 k 个元素。小根堆的特性是堆顶(即顶部元素)是当前堆中最小的元素。

  2. 构造函数

    • KthLargest(int k, vector<int>& nums) 构造函数接受一个整数 k 和一个整数数组 nums

    • 将数组中的元素依次插入到小根堆中,对于每个插入的元素,如果堆的大小超过 k,则移除堆顶元素(即最小元素)。

    • 这样在堆中始终保持 k 个最大的元素,堆顶元素即为第 k 大的元素。

  3. 添加元素的方法

    • int add(int val) 方法用于向数据结构中添加一个新元素 val

    • 将新元素插入堆中,并再次检查堆的大小。如果堆的大小超过 k,则移除堆顶元素。

    • 返回当前堆顶元素,这个元素就是当前的第 k 大元素。

代码解析

class KthLargest {// 创建一个大小为 k 的小根堆priority_queue<int, vector<int>, greater<int>> heap;int _k;public:KthLargest(int k, vector<int>& nums) {_k = k; // 初始化 kfor (auto x : nums) {heap.push(x); // 将元素插入堆中if (heap.size() > _k) // 如果堆的大小超过 kheap.pop(); // 移除堆顶元素}}int add(int val) {heap.push(val); // 插入新元素if (heap.size() > _k) // 如果堆的大小超过 kheap.pop(); // 移除堆顶元素return heap.top(); // 返回当前的第 k 大元素}
};
/*** Your KthLargest object will be instantiated and called as such:* KthLargest* obj = new KthLargest(k, nums);* int param_1 = obj->add(val);*/

时间复杂度

  • 在构造函数中,插入 n 个元素到堆中的时间复杂度为 O(n log k),因为每次插入堆的操作是 O(log k)。

  • 在 add 方法中,每次插入和检索操作的时间复杂度为 O(log k)。

  • 整个算法的空间复杂度为 O(k),因为堆中最多存储 k 个元素。

示例

输入

int k = 3;
vector<int> nums = {4, 5, 8, 2};
KthLargest* obj = new KthLargest(k, nums);
int param_1 = obj->add(3); // 返回 4
int param_2 = obj->add(5); // 返回 5
int param_3 = obj->add(10); // 返回 5
int param_4 = obj->add(9); // 返回 8
int param_5 = obj->add(4); // 返回 8

输出

  • param_1 为 4,说明现在的第 3 大元素是 4。

  • param_2 为 5,说明现在的第 3 大元素是 5。

  • param_3 为 5,依然是第 3 大元素。

  • param_4 为 8,说明现在的第 3 大元素是 8。

  • param_5 也为 8,依然是第 3 大元素。

这种实现方式通过小根堆高效地维护了动态数组中第 k 大元素的状态,适合于需要频繁添加元素并查询第 k 大元素的场景。

 

三、692. 前K个高频单词 - 力扣(LeetCode)

算法代码: 

class Solution {typedef pair<string, int> PSI;struct cmp {bool operator()(const PSI& a, const PSI& b) {if (a.second == b.second) // 频次相同,字典序按照⼤根堆的⽅式排列{return a.first < b.first;}return a.second > b.second;}};public:vector<string> topKFrequent(vector<string>& words, int k) {// 1. 统计⼀下每⼀个单词的频次unordered_map<string, int> hash;for (auto& s : words)hash[s]++;// 2. 创建⼀个⼤⼩为 k 的堆priority_queue<PSI, vector<PSI>, cmp> heap;// 3. TopK 的主逻辑for (auto& psi : hash) {heap.push(psi);if (heap.size() > k)heap.pop();}// 4. 提取结果vector<string> ret(k);for (int i = k - 1; i >= 0; i--) {ret[i] = heap.top().first;heap.pop();}return ret;}
};

代码思路

  1. 统计单词频率

    • 使用 unordered_map<string, int> 来统计每个单词在输入数组中的出现次数。

  2. 自定义比较器

    • 定义一个结构体 cmp,用于优先队列中元素的比较。这个比较器实现了以下逻辑:

      • 如果两个单词的频率相同,则按字典序进行排序(按字母逆序,即较大的字母排在前面,形成一个大根堆)。

      • 否则,频率较高的单词应排在前面(形成一个小根堆)。

  3. 维护小根堆

    • 使用 priority_queue 来创建一个小根堆,存储单词及其频率。

    • 遍历频率统计的哈希表,将每个单词及其频率插入堆中。如果堆的大小超过 k,则弹出堆顶元素,从而保持堆中只包含 k 个频率最高的单词。

  4. 提取结果

    • 创建一个结果向量 ret,用于存储最终的 k 个单词。

    • 由于我们在维护小根堆时,频率最高的单词在堆底,因此提取时需要从堆中依次弹出元素,并逆序填入结果向量。

代码解析

class Solution {typedef pair<string, int> PSI; // 定义一个字符串-频率对struct cmp {bool operator()(const PSI& a, const PSI& b) {if (a.second == b.second) // 如果频率相同,按字典序比较{return a.first < b.first; // 字典序:较大的字母排在前面}return a.second > b.second; // 否则按频率比较}};public:vector<string> topKFrequent(vector<string>& words, int k) {// 1. 统计每一个单词的频次unordered_map<string, int> hash;for (auto& s : words)hash[s]++;// 2. 创建一个大小为 k 的小根堆priority_queue<PSI, vector<PSI>, cmp> heap;// 3. TopK 的主逻辑for (auto& psi : hash) {heap.push(psi); // 插入单词频率对if (heap.size() > k) // 如果堆的大小超过 kheap.pop(); // 移除堆顶元素}// 4. 提取结果vector<string> ret(k); // 结果向量for (int i = k - 1; i >= 0; i--) {ret[i] = heap.top().first; // 获取堆顶元素的单词heap.pop(); // 移除堆顶元素}return ret; // 返回结果}
};

时间复杂度

  • 统计频率的时间复杂度为 O(n),其中 n 是单词数组的长度。

  • 在最坏情况下,当哈希表中有 n 个不同单词时,维护小根堆的时间复杂度为 O(n log k),因为每次插入和删除堆顶的操作都是 O(log k)。

  • 因此,整体时间复杂度为 O(n log k)。

示例

输入

vector<string> words = {"i", "love", "leetcode", "i", "love", "coding"};
int k = 2;
Solution sol;
vector<string> result = sol.topKFrequent(words, k); // 返回 {"i", "love"}

输出

  • result 包含了出现频率最高的两个单词 “i” 和 "love"。

这种实现方式通过使用哈希表和小根堆有效地解决了查找第 k 个频繁单词的问题,能够快速处理数据并返回结果。

四、295. 数据流的中位数 - 力扣(LeetCode) 

算法代码: 

class MedianFinder {priority_queue<int> left;                             // ⼤根堆priority_queue<int, vector<int>, greater<int>> right; // ⼩根堆
public:MedianFinder() {}void addNum(int num) {// 分类讨论即可if (left.size() == right.size()) // 左右两个堆的元素个数相同{if (left.empty() || num <= left.top()) // 放 left ⾥⾯{left.push(num);} else {right.push(num);left.push(right.top());right.pop();}} else {if (num <= left.top()) {left.push(num);right.push(left.top());left.pop();} else {right.push(num);}}}double findMedian() {if (left.size() == right.size())return (left.top() + right.top()) / 2.0;elsereturn left.top();}
};
/*** Your MedianFinder object will be instantiated and called as such:* MedianFinder* obj = new MedianFinder();* obj->addNum(num);* double param_2 = obj->findMedian();*/

代码思路

  1. 使用两个堆

    • 大根堆 (left):存储较小的一半数字,堆顶是这部分数字的最大值。

    • 小根堆 (right):存储较大的一半数字,堆顶是这部分数字的最小值。

  2. 添加数字

    • 当添加一个新的数字时,根据当前两个堆的大小和新数字的值决定将其放入哪个堆:

      • 如果两个堆的大小相同,且新数字小于等于大根堆的堆顶,则将其放入大根堆;否则,将其放入小根堆,然后将小根堆的堆顶元素移到大根堆中。

      • 如果大根堆的大小大于小根堆,且新数字小于等于大根堆的堆顶,则将其放入大根堆,并将其堆顶元素移到小根堆;否则,直接放入小根堆。

    • 这样可以保证大根堆的元素总是小于等于小根堆的元素,并且大根堆的大小要么等于小根堆的大小,要么大一个元素。

  3. 计算中位数

    • 如果两个堆的大小相等,则中位数为两个堆顶元素的平均值。

    • 如果大根堆的大小大于小根堆,则中位数为大根堆的堆顶元素。

 

代码解析

class MedianFinder {priority_queue<int> left;                             // 大根堆priority_queue<int, vector<int>, greater<int>> right; // 小根堆public:MedianFinder() {}void addNum(int num) {// 分类讨论if (left.size() == right.size()) // 左右两个堆的元素个数相同{if (left.empty() || num <= left.top()) // 放入大根堆{left.push(num);} else { // 放入小根堆right.push(num);left.push(right.top());right.pop();}} else { // 大根堆的元素个数大于小根堆if (num <= left.top()) {left.push(num);right.push(left.top());left.pop();} else {right.push(num);}}}double findMedian() {if (left.size() == right.size())return (left.top() + right.top()) / 2.0; // 两堆大小相同elsereturn left.top(); // 大根堆较多}
};
/*** Your MedianFinder object will be instantiated and called as such:* MedianFinder* obj = new MedianFinder();* obj->addNum(num);* double param_2 = obj->findMedian();*/

时间复杂度

  • addNum 方法的时间复杂度是 O(log n),因为每次插入堆的时间复杂度为 O(log n)。

  • findMedian 方法的时间复杂度是 O(1),因为只需返回堆顶元素。

  • 整体的空间复杂度是 O(n),存储所有的数字。

示例

使用示例

MedianFinder* obj = new MedianFinder();
obj->addNum(1);
obj->addNum(2);
double median1 = obj->findMedian(); // 返回 1.5
obj->addNum(3);
double median2 = obj->findMedian(); // 返回 2.0

输出

  • 第一次调用 findMedian() 时,返回 1.5,因为当前的数字是 1 和 2。

  • 第二次调用时,返回 2.0,因为当前的数字是 1、2 和 3。

这种实现方式通过使用两个堆来高效地维护动态数据集的中位数,适用于需要频繁添加数字并查询中位数的场景。

相关文章:

优先队列(典型算法思想)—— OJ例题算法解析思路

目录 一、1046. 最后一块石头的重量 - 力扣&#xff08;LeetCode&#xff09; 算法代码&#xff1a; 代码思路 使用优先队列&#xff08;大根堆&#xff09; 将所有石头放入堆中 模拟碰撞过程 返回最后的重量 代码解析 时间复杂度 示例 输入 输出 二、703. 数据流…...

IGBT的损耗性分析

铝合金外壳设计器地址:嘉立创铝合金外壳/壳体/盒型-让您的产品更出彩 IGBT和MOS的损耗谁大: 电子元器件常见失效模式: 电子元器件的失效模式多种多样,以下是一些常见的失效模式及其原因: 开路: 原因:内部连接断开、焊点断裂、导线断裂等。 影响:电流无法通过,电路中断。…...

TypeScript跟js,es6这些的区别

TypeScript 一、TypeScript 是什么 想象 JavaScript 是一个自由奔放的艺术家&#xff0c;它在创作&#xff08;编写代码&#xff09;时不受太多约束&#xff0c;非常灵活&#xff0c;但有时也容易犯错且难以调试。而 TypeScript 就像是给这位艺术家配备了一套精确的工具和规范…...

单例模式代码示例

饿汉式&#xff1a;在类加载时就创建单例实例&#xff0c;线程安全。代码如下&#xff1a; public class Singleton {// 私有静态实例private static final Singleton instance new Singleton();// 私有构造函数private Singleton() {}// 公共访问方法public static Singleto…...

掌握 ElasticSearch的 _source 过滤

掌握 ElasticSearch的 _source 过滤 1. 引言2. _source 元数据基础2.1 什么是 _source 字段&#xff1f;2.2 _source 的基本用法 3. 禁用 _source3.1 如何禁用 _source 字段3.2 禁用 _source 的利弊3.3 最佳实践建议 4. _source 数据源过滤4.1 为什么需要数据源过滤&#xff1f…...

车载音频配置(二)

目录 OEM 自定义的车载音频上下文 动态音频区配置 向前兼容性 Android 14 车载音频配置 在 Android 14 中,AAOS 引入了 OEM 插件服务,使你可以更主动地管理由车载音频服务监督的音频行为。 随着新的插件服务的引入,车载音频配置文件中添加了以下更改: • OEM 自定义的车…...

开目3DCAPP系列:三维制造成本分析与估算软件3DDFC

开目3DDFC 是一款基于 MBD 模型和工艺知识库的专业三维制造成本分析与估算软件&#xff0c;在不依赖详细工艺路线的情况下&#xff0c;根据零件几何信息和精度信息一键式完成零件成本的分析与估算&#xff0c;为面向成本的设计优化提供参考指引&#xff0c;也为企业对外产品报价…...

化学品安全数据表(MSDS)的全面解析与实用指南

SDS&#xff08;安全数据表&#xff09;&#xff0c;也称为MSDS&#xff08;材料安全数据表&#xff09;&#xff0c;是用于详细说明化学品的理化特性&#xff08;如pH值、闪点、易燃性、反应活性等&#xff09;及其对使用者健康&#xff08;如致癌、致畸等&#xff09;潜在危害…...

赛前启航 | Azure 应用开发实战指南:开启创意的无限可能

在 AI 时代&#xff0c;如何高效构建、优化和部署你的应用&#xff1f;如何充分利用微软 Azure 的强大能力&#xff0c;让开发更敏捷&#xff0c;性能更卓越&#xff1f;2 月 21 日 14:00-16:00&#xff0c;微软 AI 开发者挑战赛赛前指导第二场直播&#xff0c;带你全方位掌握 …...

Visual Studio Code的下载安装与汉化

1.下载安装 Visual Studio Code的下载安装十分简单&#xff0c;在本电脑的应用商店直接下载安装----注意这是社区版-----一般社区版就足够用了---另外注意更改安装地址 2.下载插件 重启后就是中文版本了...

home assistant ddns动态域名解析插件

home assistant ddns动态域名解析插件 使用方法 在HACS中搜索 ddns安装(hacs目前还没有合并我的提交&#xff0c;目前不可用)&#xff0c;或者 clone https://github.com/weiangongsi/ddns.git, 将 custom_components/ddns目录拷贝至 Home Assistant 配置目录的 custom_compon…...

金融交易算法单介绍

0.背景 股票交易时&#xff0c;常见的订单类型有基础订单和条件订单。 基础订单 市价单限价单碎股单等等 条件订单 止损市价单止损限价单触及市价单&#xff08;止盈&#xff09;触及限价单&#xff08;止盈&#xff09;跟踪止损市价单跟踪止损限价单等等 除了基础订单和…...

LabVIEW利用CANopen的Batch SDO写入

本示例展示了如何通过CANopen协议向设备写入Batch SDO&#xff08;批量服务数据对象&#xff09;。Batch SDO允许用户在一次操作中配置多个参数&#xff0c;适用于设备的批量配置和参数设置。此方法能够简化多个参数的写入过程&#xff0c;提高设备管理效率。 主要步骤&#xf…...

正式页面开发-登录注册页面

整体路由设计&#xff1a; 登录和注册的切换是切换组件或者是切换内容&#xff08;v-if和 v-else)&#xff0c;因为点击两个之间路径是没有变化的。也就是登录和注册共用同一个路由。登录是独立的一级路由。登录之后进到首页&#xff0c;有三个大模块&#xff1a;文章分类&…...

vLLM专题(二):安装-CPU

vLLM 是一个 Python 库,支持以下 CPU 变体。选择您的 CPU 类型以查看供应商特定的说明: Intel/AMD x86 vLLM 最初支持在 x86 CPU 平台上进行基本模型推理和服务,支持的数据类型包括 FP32、FP16 和 BF16。 注意 此设备没有预构建的 wheel 包或镜像,因此您必须从源代码构建 v…...

【CSS进阶】常见的页面自适应的方法

在前端开发中&#xff0c;自适应布局&#xff08;Responsive Design&#xff09;是一种让网页能够适应不同屏幕尺寸、设备和分辨率的技术。常见的自适应布局方法包括 流式布局、弹性布局&#xff08;Flexbox&#xff09;、栅格布局&#xff08;Grid&#xff09;、媒体查询&…...

Java编程语言:从基础到高级应用的全面探索

在当今的软件开发领域中&#xff0c;Java无疑是一种极为流行且强大的编程语言。自1995年由Sun Microsystems推出以来&#xff0c;Java凭借其跨平台性、面向对象特性和丰富的API库&#xff0c;迅速成为企业级应用开发的首选语言。本文将带您从Java的基础语法入手&#xff0c;逐步…...

计算机视觉:神经网络实战之手势识别(附代码)

第一章&#xff1a;计算机视觉中图像的基础认知 第二章&#xff1a;计算机视觉&#xff1a;卷积神经网络(CNN)基本概念(一) 第三章&#xff1a;计算机视觉&#xff1a;卷积神经网络(CNN)基本概念(二) 第四章&#xff1a;搭建一个经典的LeNet5神经网络(附代码) 第五章&#xff1…...

linux 面试题

1. 文件与目录操作 ls 功能&#xff1a;列出目录内容 常用参数&#xff1a; -l&#xff1a;长格式显示&#xff08;权限、大小、时间等&#xff09;-a&#xff1a;显示隐藏文件&#xff08;以.开头的文件&#xff09;-h&#xff1a;以易读格式显示文件大小&#xff08;如KB/…...

利用websocket检测网络连接稳定性

浏览器中打开F12&#xff0c;控制台中输入以下内容 > 回车 > 等待结果 连接关闭 表示断网 let reconnectDelay 1000; // 初始重连间隔 let pingInterval null; let socketManuallyClosed false; // 标志是否手动关闭function createWebSocket() {if (socketManuallyCl…...

Go入门之数组与切片

var arr1 [...]int{1, 2, 3}fmt.Println(len(arr1)) 数组长度不能扩展 var arr2 [...]int{0: 100, 5: 101}fmt.Println(len(arr2)) } 指定索引初始化 可以通过for和range遍历 值类型:基本数据类型和数组都是值类型&#xff0c;改变副本的值不会改变本身的值 切片为引用数…...

《Nuxt.js 实战:从放弃到入门》六、打造个性化文字转图片工具

​​ 在当今短视频的时代&#xff0c;将文字转化为图片是一个常见且实用的需求&#xff0c;无论是用于社交媒体分享、设计宣传材料&#xff0c;还是制作个性化的视觉内容。今天&#xff0c;我们就来深入剖析一个使用 Vue 3 和 ElementPlus 构建的文字转图片工具的代码&#xf…...

软硬链接?

目录 1. 硬链接&#xff08;Hard Link&#xff09; 2. 软链接&#xff08;Symbolic Link&#xff0c;符号链接&#xff09; 总结&#xff1a; 1. 硬链接&#xff08;Hard Link&#xff09; 定义&#xff1a; 硬链接是直接指向文件数据块&#xff08;inode&#xff09;的链接。…...

轻松搭建本地大语言模型(二)Open-WebUI安装与使用

文章目录 前置条件目标一、安装 Open-WebUI使用 Docker 部署 二、使用 Open-WebUI&#xff08;一&#xff09;访问Open-WebUI&#xff08;二&#xff09;注册账号&#xff08;三&#xff09;模型选择&#xff08;四&#xff09;交互 四、常见问题&#xff08;一&#xff09;容器…...

windows Redis Insight 如何查看宝塔docker里的redis数据

1、ping 命令用于测试网络连通性&#xff0c;它只需要目标 IP 地址作为参数&#xff0c;不需要端口号。正确的命令如下&#xff1a; ping 公网地址2、使用 Telnet 测试端口连通性 telnet 公网地址 端口 telnet 47.108.67.228 6379如果连接成功&#xff0c;窗口会变为空白&am…...

Python高级语法之urllib

目录&#xff1a; 1、爬虫的介绍2、urllib的使用2.1、urllib的异常捕获2.2、urllib的实现微博cookie登陆2.3、urllib的handler处理器2.4、urllib的代理服务器2.5、urllib的代理服务池 1、爬虫的介绍 2、urllib的使用 2.1、urllib的异常捕获 2.2、urllib的实现微博cookie登陆 2…...

word$deepseep

1、进入官网地址。 DeepSeek 2、进入DeepSeek的API文档 3、点击DeepSeek开放平台左侧的“API Keys”, 再点击“创建API Key” 4、在弹出的对话框中&#xff0c;输入自己的API Key名称&#xff0c;点击创建。 sk-0385cad5e19346a0a4ac8b7f0d7be428 5、打开Word文档。 6、Word找…...

【koa】05-koa+mysql实现数据库集成:连接和增删改查

前言 前面我们已经介绍了第二阶段的第1-4点内容&#xff0c;本篇介绍第5点内容&#xff1a;数据库集成&#xff08;koamysql&#xff09; 也是第二阶段内容的完结。 一、学习目标 在koa项目中正常连接数据库&#xff0c;对数据表进行增删改查的操作。 二、操作步骤 本篇文章…...

【深度学习】分布偏移纠正

分布偏移纠正 正如我们所讨论的&#xff0c;在许多情况下训练和测试分布 P ( x , y ) P(\mathbf{x}, y) P(x,y)是不同的。 在一些情况下&#xff0c;我们很幸运&#xff0c;不管协变量、标签或概念如何发生偏移&#xff0c;模型都能正常工作。 在另一些情况下&#xff0c;我们…...

数据结构_前言

本次我们将进入一个新的阶段啦~ 要注意哦&#xff1a; 在学数据结构之前&#xff0c;我们要先掌握c语言中所学的指针、结构体、内存的存储这几部分&#xff0c;如果还没太掌握的话&#xff0c;那记得去复习回顾一下噢。 下面我们就一起进入数据结构的学习吧&#xff01; 知识…...

spark任务运行

运行环境 在这里插入代码片 [roothadoop000 conf]# java -version java version "1.8.0_144" Java(TM) SE Runtime Environment (build 1.8.0_144-b01)[roothadoop000 conf]# echo $JAVA_HOME /home/hadoop/app/jdk1.8.0_144[roothadoop000 conf]# vi spark-env.sh …...

由because it is a JDK dynamic proxy that implements温习Spring的代理

由because it is a JDK dynamic proxy that implements温习Spring的代理 项目场景原因分析1、报错位置2、错误原因3、业务需求 解决方案1、注入CGlib代理2、取出原生对象 项目场景 昨日在启动一个SpringBoot项目时&#xff0c;发现启动失败&#xff0c;并在日志中出现了这样的…...

mac相关命令

显示和隐藏usr等隐藏文件文件 terminal输入: defaults write com.apple.Finder AppleShowAllFiles YESdefaults write com.apple.Finder AppleShowAllFiles NO让.bashrc每次启动shell自动生效 编辑vim ~/.bash_profile 文件, 加上 if [ -f ~/.bashrc ]; then. ~/.bashrc fi注…...

Banana Pi OpenWRT One 官方路由器的第一印象

OpenWRT One是OpenWRT开源社区推出的首款官方开发板&#xff0c;与Banana Pi社区共同设计&#xff0c;由Banana Pi制造和发行。路由器采用蓝色铝合金外壳&#xff0c;质感极佳&#xff0c;视觉效果远超宣传图。整体设计简洁&#xff0c;呈长方形&#xff0c;虽然不是特别时尚&a…...

基于SpringBoot的“高考志愿智能推荐系统”的设计与实现(源码+数据库+文档+PPT)

基于SpringBoot的“高考志愿智能推荐系统”的设计与实现&#xff08;源码数据库文档PPT) 开发语言&#xff1a;Java 数据库&#xff1a;MySQL 技术&#xff1a;SpringBoot 工具&#xff1a;IDEA/Ecilpse、Navicat、Maven 系统展示 系统总体结构图 系统首页界面 系统注册页…...

探索Hugging Face:开源AI社区的核心工具与应用实践

引言&#xff1a;AI民主化的先锋 在自然语言处理&#xff08;NLP&#xff09;领域&#xff0c;Hugging Face已成为开源社区的代名词。这个成立于2016年的平台&#xff0c;通过提供易用的工具和丰富的预训练模型库&#xff0c;彻底改变了开发者使用和部署AI模型的方式。截至202…...

SVM对偶问题

1、对偶问题数学基础 对偶问题&#xff1a;在线性规划中&#xff0c;每一个线性规划问题(称为原问题)都有一个与之对应的对偶问题。从数学形式上看&#xff0c;如果原问题是求解一个线性目标函数的最大值&#xff08;或最小值&#xff09;&#xff0c;在满足一系列线性不等式&…...

萃取的实现(三)

探测成员 基于SFINAE&#xff0c;判断一个给定类型T&#xff0c;是否含有名为x的成员。 探测类型成员 判断一个给定类型T&#xff0c;是否含有类型成员size_type&#xff0c;源码如下&#xff1a; #include <type_traits> #include <iostream> #include <vect…...

nodejs版本管理,使用 nvm 删除node版本,要删除 Node.js 的某个版本详细操作

要删除 Node.js 的某个版本并保持 Node Version Manager (nvm) 的管理整洁&#xff0c;可以按以下步骤操作&#xff1a; 步骤 1&#xff1a;查看已安装的 Node.js 版本 nvm ls这会列出你通过 nvm 安装的所有 Node.js 版本。输出类似于&#xff1a; -> v18.17.1v16.20…...

openCV中如何实现滤波

图像滤波用于去除噪声和图像平滑&#xff0c;OpenCV 提供了多种滤波器&#xff1a; 1.1. 均值滤波&#xff1a; import cv2# 读取图像 image cv2.imread("example.jpg")# 均值滤波 blurred_image cv2.blur(image, (5, 5)) # (5, 5) 是滤波核的大小 滤波核大小的…...

vscode通过ssh连接服务器实现免密登录+删除

文章目录 参考&#xff1a; 1、 vscode通过ssh连接服务器实现免密登录删除&#xff08;吐血总结&#xff09;...

智能硬件新时代,EasyRTC开启物联音视频新纪元

在万物互联的时代浪潮中&#xff0c;智能硬件正以前所未有的速度融入我们的生活&#xff0c;从智能家居的便捷控制&#xff0c;到智能穿戴设备的健康监测&#xff0c;再到工业物联网的高效管理&#xff0c;智能硬件的应用场景不断拓展。而在这个智能硬件蓬勃发展的背后&#xf…...

《机器学习数学基础》补充资料:求解线性方程组的克拉默法则

《机器学习数学基础》中并没有将解线性方程组作为重点&#xff0c;只是在第2章2.4.2节做了比较完整的概述。这是因为&#xff0c;如果用程序求解线性方程组&#xff0c;相对于高等数学教材中强调的手工求解&#xff0c;要简单得多了。 本文是关于线性方程组的拓展&#xff0c;供…...

mysql的rpm包安装

(如果之前下载过mariadb&#xff0c;使用yum remove mariadb卸载&#xff0c;因为mariadb与rpm包安装的mysql有很多相似的组件和文件&#xff0c;会发生冲突&#xff0c;而源码包安装的mysql不会&#xff0c;所以不用删除源码包安装myqsl&#xff0c;只删除mariadb就可以&#…...

TailwindCss的vue3安装使用

按照官网的安装教程&#xff0c;属性最后无法生效&#xff0c;这是自我改良版&#xff0c;添加了额外步骤&#xff0c;但是每次引入新的tailwindcss属性 需要重新跑一次项目 npm下载tailwindcss npm install -D tailwindcss npx初始化tailwind配置 npx tailwindcss init 此时根…...

foobar2000设置DSP使用教程及软件推荐

foobar2000安卓中文版&#xff1a;一款高品质手机音频播放器 foobar2000安卓中文版是一款备受好评的高品质手机音频播放器。 几乎支持所有的音频格式&#xff0c;包括 MP3、MP4、AAC、CD 音频等。不论是经典老歌还是最新的流行音乐&#xff0c;foobar2000都能完美播放。除此之…...

开源多商户商城源码最新版_适配微信小程序+H5+APP+PC多端

在数字化时代&#xff0c;电子商务已经成为各行业不可或缺的一部分&#xff0c;开源多商户商城源码为中小企业和个人开发者提供了快速搭建和定制电商平台的利器。分享一款最新版的开源多商户商城源码&#xff0c;它能够适配微信小程序、H5、APP和PC等多个端口&#xff0c;满足商…...

【matlab】大小键盘对应的Kbname

matlab中可以通过Kbname来识别键盘上的键。在写范式的时候&#xff0c;遇到一个问题&#xff0c;我想用大键盘上排成一行的数字按键评分&#xff0c;比如 Kbname(1) 表示键盘上的数字1&#xff0c;但是这种写法只能识别小键盘上的数字&#xff0c;无法达到我的目的&#xff0c;…...

go语言并发的最佳实践

Go 语言的并发模型是其最强大的特性之一&#xff0c;基于 CSP&#xff08;Communicating Sequential Processes&#xff09;理论&#xff0c;通过 goroutine 和 channel 实现轻量级并发. 一、并发核心概念 1. Goroutine 在 Go 语言中&#xff0c;Goroutine 是实现并发编程的…...

超全Deepseek资料包,deepseek下载安装部署提示词及本地部署指南介绍

该资料包涵盖了DeepSeek模型的下载、安装、部署以及本地运行的详细指南&#xff0c;适合希望在本地环境中高效运行DeepSeek模型的用户。资料包不仅包括基础的安装步骤&#xff0c;还提供了68G多套独立部署视频教程教程&#xff0c;针对不同硬件配置的模型选择建议&#xff0c;以…...