当前位置：首页 > news >正文

6.人工智能与机器学习

news 来源：原创 2025/9/9 6:09:33

一、人工智能基本原理

1. 人工智能（AI）定义与范畴

核心目标：模拟人类智能行为（如推理、学习、决策）
分类：
- 弱人工智能（Narrow AI）：专精单一任务（如AlphaGo、语音助手）
- 强人工智能（General AI）：具备人类全面认知能力（尚未实现）
- 超级智能（Superintelligence）：超越人类所有领域的智能（理论阶段）

2. AI技术体系

知识表示：
- 逻辑表示：通过一阶谓词逻辑（FOL）描述事实与规则，例如“若P则Q”的确定性推理。
- 语义网络：以节点（概念）和边（关系）表示知识，支持非结构化数据的灵活关联，如“中南大学→位于→长沙市”。
- 框架与本体：通过预定义模板（框架）或层级化概念体系（本体）组织领域知识，增强知识复用与推理效率。
推理机制：
- 确定性推理：
  - 演绎推理：从一般规则推导出具体结论（如三段论），应用于专家系统与定理证明。
  - 归结推理：通过子句集化简解决逻辑问题，如数学定理求解。
- 不确定性推理：
  - 贝叶斯网络：基于概率图模型处理不确定信息，如医疗诊断中的概率推断。
  - 模糊逻辑：通过模糊集合与模糊推理处理模糊性知识，如模糊控制系统。
搜索与优化：
- 启发式搜索：
  - A*算法：结合启发函数（如欧几里得距离）优化路径规划，广泛应用于游戏AI与机器人导航。
  - 双向搜索：同时从初始状态与目标状态进行搜索，减少搜索空间。
- 进化算法：
  - 遗传算法：模拟自然选择与遗传机制，通过交叉、变异操作优化复杂问题（如函数优化）。
  - 粒子群优化：基于群体智能调整搜索方向，适用于连续空间优化问题。
支撑技术：
- 机器学习：包括监督学习（如线性回归）、无监督学习（如聚类）和强化学习（如AlphaGo策略优化）。
- 深度学习：基于神经网络（CNN、RNN）自动提取特征，突破传统算法的局限性。
- 计算资源：GPU/TPU加速并行计算，分布式架构支持大规模数据处理。

3. 应用与挑战

应用领域：
- 计算机视觉：图像识别（CNN）、目标检测（YOLO）。
- 自然语言处理：机器翻译（Transformer）、情感分析（BERT）。
- 智能决策：博弈论（如AlphaGo）、强化学习（自动驾驶）。
核心挑战：
- 数据依赖：高质量数据获取与偏见治理。
- 可解释性：深度学习“黑箱”问题。
- 伦理与安全：AI决策的公平性与隐私保护。

二、机器学习算法与应用

1. 机器学习基础

定义：通过数据训练模型，使系统具备预测或决策能力
学习范式：
- 监督学习（带标签数据）：分类（邮件垃圾过滤）、回归（房价预测）
- 无监督学习（无标签数据）：聚类（客户分群）、降维（PCA）
- 半监督学习：少量标注数据 + 大量未标注数据（如医学影像中结合少量标注与大量未标注数据）
- 强化学习：智能体与环境交互（如AlphaGo自我对弈、机器人路径规划）

2. 经典算法

线性回归：
- 模型： $\beta_0 + \beta_1x_1 + \cdots + \beta_nx_n$
- 损失函数：均方误差（MSE）
- 优化方法：梯度下降（批量梯度下降、随机梯度下降）
- 应用：房价预测、股票价格趋势分析
决策树与随机森林：
- 分裂标准：信息增益（ID3）、基尼系数（CART）
- 随机森林：多棵树投票，抗过拟合（如客户信用评分模型）
- 改进：通过特征随机选择和样本Bootstrap抽样提升泛化能力
支持向量机（SVM）：
- 核思想：最大化分类间隔（如人脸识别、文本分类）
- 核技巧：将低维数据映射到高维（RBF核、多项式核）
- 改进：引入软间隔处理噪声数据，支持多分类任务
K均值聚类：
- 步骤：初始化中心点 → 分配簇 → 更新中心 → 迭代至收敛
- 优化：K-means++初始化、轮廓系数评估聚类效果
- 应用：客户分群、图像分割

3. 应用场景

金融风控：
- 逻辑回归预测贷款违约概率（如银行信用评分系统）
- SVM识别信用卡欺诈交易（实时检测异常模式）
医疗诊断：
- 随机森林辅助癌症分类（基于基因表达数据）
- 深度学习分析医学影像（如X光片肺结节检测）
推荐系统：
- 协同过滤（用户-物品矩阵分解，如Netflix电影推荐）
- 矩阵分解结合深度学习（如YouTube视频推荐）

三、深度学习与前沿技术

1. 深度学习基础

神经网络架构：
- 前馈神经网络（FNN）：由输入层、隐藏层和输出层构成，通过全连接实现非线性映射，适用于分类和回归任务。
- 反向传播算法：基于链式法则计算梯度，通过梯度下降更新权重，学习率控制参数调整步长。
激活函数：
- ReLU（Rectified Linear Unit）：通过f(x)=max(0,x)解决梯度消失问题，加速收敛。
- Softmax：将输出转换为概率分布，常用于多分类任务的最终层。
正则化技术：
- Dropout：训练时随机屏蔽部分神经元，防止过拟合。
- L1/L2正则化：通过约束权重大小（L1为绝对值和，L2为平方和）抑制模型复杂度。

2. 核心模型与技术

卷积神经网络（CNN）：
- 结构：卷积层（提取局部特征）→ 池化层（降维）→ 全连接层（分类），通过权值共享减少参数量。
- 应用：ImageNet图像分类（ResNet、VGG）、目标检测（YOLO）、医学影像分析（UNet）。
循环神经网络（RNN）：
- 特点：通过循环连接处理序列数据，捕捉时序依赖关系，但存在梯度消失问题。
- 变种：
  - LSTM（长短期记忆）：引入门控机制缓解梯度消失，适用于长序列。
  - GRU（门控循环单元）：简化LSTM结构，性能接近但计算更高效。
Transformer：
- 自注意力机制：计算序列元素间的全局依赖关系，替代传统RNN的序列处理方式。
- 典型模型：
  - BERT（Bidirectional Encoder Representations from Transformers）：双向编码上下文特征，用于文本理解。
  - GPT（Generative Pre-trained Transformer）：生成式预训练模型，通过单向注意力生成文本。

3. 生成模型

生成对抗网络（GAN）：
- 组成：生成器（生成逼真数据）与判别器（鉴别真伪），通过对抗训练提升生成质量。
- 应用：图像生成（StyleGAN）、数据增强、艺术创作（如Deepfake）。
扩散模型（Diffusion Model）：
- 原理：逐步对噪声数据进行去噪，最终生成目标样本（如Stable Diffusion）。
- 优势：生成过程可控（如文本引导图像生成），质量接近真实数据。

四、自然语言处理（NLP）

1. 核心技术

词嵌入：
- 静态词向量：Word2Vec（Skip-Gram/CBOW模型）通过神经网络学习词汇的分布式表示，捕捉语义相似性；GloVe基于全局词频统计，优化共现矩阵分解以提升向量质量。
- 动态词向量：ELMo通过双向LSTM生成上下文相关的词向量，解决多义词问题；BERT采用Transformer架构，通过掩码语言模型（MLM）实现双向上下文感知。
文本分类：
- 传统方法：TF-IDF提取文本特征后，结合SVM分类器实现高效分类。
- 深度方法：TextCNN利用卷积核捕捉局部语义模式；Transformer通过自注意力机制建模长距离依赖，显著提升分类性能。
机器翻译：
- 统计机器翻译（SMT）：基于规则和统计模型（如HMM）对齐源语言与目标语言，但依赖人工构建翻译规则。
- 神经机器翻译（NMT）：以Google Translate为代表，采用编码器-解码器架构，结合注意力机制实现端到端翻译，显著提升流畅度。

2. 大语言模型（LLM）

技术演进：
- GPT系列：GPT-3（1750亿参数）通过自回归生成文本，支持复杂推理；GPT-4引入多模态输入（文本+图像/音频），扩展应用场景。
- 开源模型：LLaMA（280亿参数）和Alpaca（70亿参数）推动技术民主化，降低部署门槛。
应用场景：
- 智能客服：通过意图识别（如BERT）和多轮对话管理（如RAG），实现24小时自动化服务。
- 代码生成：GitHub Copilot基于LLM解析自然语言描述，生成高质量代码片段并提示调试建议。

五、计算机视觉（CV）

1. 核心任务

图像分类：
- 经典数据集：MNIST（手写数字）、CIFAR-10
- 模型：AlexNet（2012年突破）、ResNet（残差网络提升性能）、EfficientNet（高精度低计算量）
目标检测：
- 两阶段：Faster R-CNN（候选区域 + 分类）
- 单阶段：YOLO（实时检测，YOLOv8支持实例分割，应用于自动驾驶）、SSD（单阶段检测）
图像分割：
- 语义分割（FCN、U-Net、DeepLab）
- 实例分割（Mask R-CNN）

2. 三维视觉

点云处理：
- PointNet（直接处理无序点云）
- PointNet++（提升小物体处理能力）
SLAM技术：
- 视觉惯性里程计（VIO，用于机器人导航）
- 双目立体视觉（基于视差计算深度）、ORB-SLAM（多传感器融合）

六、工具与框架

1. 开发工具

Python库：
- NumPy（数值计算）、Pandas（数据分析）
- Scikit-learn（传统机器学习）
深度学习框架：
- TensorFlow（静态图，工业部署友好）
- PyTorch（动态图，研究首选）
- JAX（自动微分 + GPU加速）

2. 云计算平台

AWS SageMaker：托管式机器学习服务
Google Colab：免费GPU支持的Jupyter笔记本

6.人工智能与机器学习

一、人工智能基本原理 1. 人工智能（AI）定义与范畴核心目标：模拟人类智能行为（如推理、学习、决策）分类： 弱人工智能（Narrow AI）：专精单一任务（如AlphaGo、…...

编程日记 2025/9/9 6:09:33

GPU架构分类

一、NVIDIA的GPU架构 NVIDIA是全球领先的GPU生产商，其GPU架构在图形渲染、高性能计算和人工智能等领域具有广泛应用。NVIDIA的GPU架构经历了多次迭代，以下是一些重要的架构： 1. Tesla（特斯拉）架构（2006年…...

编程日记 2025/8/30 6:58:44

23种设计模式之单例模式（Singleton Pattern）【设计模式】

文章目录一、简介二、关键点三、实现单例模式的步骤四、C#示例4.1 简单的单例模式4.2 线程安全的单例模式（双重检查锁定）4.3 静态初始化单例模式五、单例模式优缺点5.1 优点5.2 缺点六、适用场景七、示例的现实应用一、简介单例模式（Si…...

编程日记 2025/9/4 20:00:21

MAX232数据手册：搭建电平转换桥梁，助力串口稳定通信

在现代电子设备的通信领域，串口通信因其简单可靠而被广泛应用。MAX232 芯片作为串口通信中的关键角色，发挥着不可或缺的作用。下面，我们将依据提供的资料，深入解读 MAX232 芯片的各项特性、参数以及应用要点。一、引脚说明 MAX2…...

编程日记 2025/8/30 11:34:51

Day 55 卡玛笔记

这是基于代码随想录的每日打卡所有可达路径题目描述给定一个有 n 个节点的有向无环图，节点编号从 1 到 n。请编写一个函数，找出并返回所有从节点 1 到节点 n 的路径。每条路径应以节点编号的列表形式表示。输入描述第一行包含两个整数…...

编程日记 2025/9/6 19:13:53

python量化交易——金融数据管理最佳实践——使用qteasy管理本地数据源

文章目录统一定义的金融历史数据表最重要的数据表数据表的定义交易日历表的定义：交易日历表: trade_calendar qteasy是一个功能全面且易用的量化交易策略框架， Github地址在这里。使用它，能轻松地获取历史数据，创建交易策略并完…...

编程日记 2025/9/8 0:55:01

AVM 环视拼接鱼眼相机

https://zhuanlan.zhihu.com/p/651306620 AVM 环视拼接方法介绍从内外参推导IPM变换方程及代码实现（生成AVM环视拼接图）_avm拼接-CSDN博客经典文献阅读之--Extrinsic Self-calibration of the Surround-view System: A Weakly... (环视系统的外参自…...

编程日记 2025/9/6 4:12:04

计算机基础面试（数据库）

1. 事务的ACID特性？如何通过日志保证原子性和持久性？ 专业解答： ACID：原子性（Atomicity）、一致性（Consistency）、隔离性（Isolation）、持久性（Dura…...

编程日记 2025/9/2 8:01:04

Self-Pro: A Self-Prompt and Tuning Framework for Graph Neural Networks

Self-Pro: A Self-Prompt and Tuning Framework for Graph Neural Networks #paper/GFM/GNN-BASED# #paper/⭐⭐⭐# 注意：这篇文章是每个图一个GCN模型，而不是所有图一个GCN 模型算是最早的涉及异配图的prompt了贡献和动机： 非对…...

编程日记 2025/9/9 0:51:18

Spring Boot 与 MyBatis 版本兼容性

初接触Spring Boot，本次使用Spring Boot版本为3.4.3，mybatis的起步依赖版本为3.0.0，在启动时报错，报错代码如下 org.springframework.beans.factory.BeanDefinitionStoreException: Invalid bean definition with name userMapper…...

编程日记 2025/8/23 2:15:35

WPF 如何使文本显示控件支持显示内容滚动显示

WPF中如何使文本显示控件支持显示内容滚动显示在WPF中，TextBlock 控件本身并不直接支持滚动功能，因为它的设计初衷是用于静态文本展示。但是，你可以通过一些技巧和自定义控件来实现 TextBlock 的滚动效果。以下是几种常见的方法：…...

编程日记 2025/9/5 19:54:53

1208. 尽可能使字符串相等

目录一、题目二、思路2.1 解题思路2.2 代码尝试2.3 疑难问题三、解法四、收获4.1 心得4.2 举一反三一、题目二、思路 2.1 解题思路 2.2 代码尝试 class Solution { public:int equalSubstring(string s, string t, int maxCost) {int curcost0;//统计当前开销int left0;…...

编程日记 2025/9/8 15:01:36

Linux系统管理操作

一、关闭防火墙默认端口号是22，其他端口用不了，这时候就引出关闭防火墙 1.1、systemctl 1.1.1、基本语法 systemctl start | stop | restart | status 服务名 //启动、关闭、重启、查看状态 1.1.2、查看服务的方法查看/usr/lib/systemd/syst…...

编程日记 2025/8/26 13:58:40

【STM32H743IIT6】将外部SDRAM作为内部SRAM使用的方法及需要解决的问题

前言 STM32H743的片上随机存取存储器（RAM）容量最大约为1KB。对于简单项目而言，这一容量尚可满足需求。但在处理更为复杂的应用程序时，尤其是在随机存取存储器方面，“空间不足”的问题就会不可避免地出现。此时&#x…...

编程日记 2025/9/6 22:58:43

AMD RDNA3 GPU架构解析

本文会通过把AMD的RDNA3架构为例比喻为**“施工公司”**工作模式，深入理解GPU如何高效处理顶点着色、像素计算等任务。一、施工公司的组织架构 1. 施工公司（WGP）与施工队（CU） WGP（Work Group Processor&…...

编程日记 2025/9/7 2:47:40

博客系统--测试报告

博客系统--测试报告项目背景项目功能功能测试①登录功能测试②发布博客功能测试③删除文章功能测试④功能测试总结： 自动化测试自动化脚本执行界面： 性能测试本博文主要针对个人实现的项目《博客系统》去进行功能测试、自动化测试、性能测试&#xff0…...

编程日记 2025/9/7 19:49:28

打造个人知识库（Page Assist版）- 私人专属AI-本地化部署deepseek

上篇介绍了实现浏览器交互Ai Web Ui - chrome浏览器插件-Page Assist，安装即可使用，实现最简单的本地化部署AI使用。实现浏览器交互Ai Web Ui-本地化部署的deepseek Ollama Page Assist 本编介绍使用 Page Assist 构建个人知识库，利用个…...

编程日记 2025/9/3 9:53:42

7zip安装与使用

在 Linux 上安装 7zip（7z） 取决于你的操作系统发行版。以下是不同系统的安装方法： 📌 1. Ubuntu / Debian 直接使用 p7zip： sudo apt update sudo apt install -y p7zip-full p7zip-rarp7zip-full → 支持 .7z 压缩和…...

编程日记 2025/9/4 4:56:32

蓝桥杯第15届真题解析

由硬件框图可以知道我们要配置LED 和按键、lcd，解决lcd引脚冲突 LED 先配置LED的八个引脚为GPIO_OutPut，锁存器PD2也是，然后都设置为起始高电平，生成代码时还要去解决引脚冲突问题按键按键配置，由原理图按键所对引…...

编程日记 2025/9/8 8:34:44

springboot gradle 多项目创建

1.背景2.创建父项目3.配置gradlew4.创建子项目 1.背景 1.用IDE创建一个父项目（school_project），两个子项目（student_project，teacher_project)。子项目是两个springboot工程 2.使用gradle kotlin进行管理，…...

编程日记 2025/9/6 1:38:29

Protocol Buffers在MCU上的nanopb介绍及使用详解

在嵌入式系统和资源受限的环境中，传统的Protocol Buffers 可能显得过于庞大。因此，nanopb 应运而生，它是一个轻量级的 Protocol Buffers 生成器，专为嵌入式系统设计c语言设计。本文将介绍如何安装和使用 nanopb，以及通…...

编程日记 2025/9/9 1:12:00

leetcode日记（74）扰乱字符串

很有难度的一题，一开始真的绕了很多思维上的弯路。最开始的想法是递归，看到题目的时候想到动态规划但是完全没有思路应该怎么用，结果确实是递归动态规划。最开始的想法是构建树，每一层包含这一步划分的方法（实际会…...

编程日记 2025/9/8 0:12:35

根级别级联值注册 using Microsoft.AspNetCore.Components.Web; using Microsoft.AspNetCore.Components.WebAssembly.Hosting;namespace BlazorApp1 {public class Program{public static async Task Main(string[] args){var builder WebAssemblyHostBuilder.CreateDefault…...

编程日记 2025/9/4 0:44:51

懒加载能够解决Spring循环依赖吗

懒加载本身并不能直接解决 Spring 循环依赖问题，但它可以在一定程度上缓解或绕过循环依赖带来的问题，下面详细分析： 1. 什么是 Spring 循环依赖循环依赖指的是两个或多个 Bean 之间相互依赖，形成一个闭环。例如，Bea…...

编程日记 2025/9/4 13:19:17

Matlab中使用GUIDE工具开发图形用户界面（GUI）

文章目录 1. 初识GUIDE工具1.1 .m 和 .fig的区别和联系1.2 GUIDE工具的详细介绍1.3 GUI控件的属性1.4 自动生成的 .m 文件1.5 回调函数 2. GUI中常见的函数2.1 get 和 set 函数2.2 handles.Tag2.3 OpeningFcn 和 OutputFcn2.4 Callback2.5 CreateFcn 和 DeleteFcn2.6 ButtonDow…...

编程日记 2025/9/6 14:52:45

[通俗易懂C++]:引用返回和地址返回

在之前的文章中已经提到过,当使用按值传递时会创建参数的一个副本到函数中。对于基本类型（复制成本较低），这是可以的。但对于类类型（如 std::string ），复制通常成本较高。我们可以通过使用（const）引用传递（或按地址传递）来避免进行昂贵的复制。这篇文章主要介绍一些…...

编程日记 2025/9/8 14:15:42

基于 ‌MySQL 数据库‌对三级视图（用户视图、DBA视图、内部视图）的详细解释

基于 ‌MySQL 数据库‌对三级视图（用户视图、DBA视图、内部视图）的详细解释，结合理论与实际操作说明： 一、三级视图核心概念数据库的三级视图是 ANSI/SPARC 体系结构的核心思想，MySQL 的实现逻辑如下： …...

编程日记 2025/9/8 16:21:49

LLM - Attention Is All You Need 的理解

一：概述当前主流的序列转换（sequence transduction）模型主要基于复杂的循环神经网络（Recurrent Neural Networks, RNNs）或卷积神经网络（Convolutional Neural Networks, CNNs），这些模型通常包含编码器（encoder）和解码器（decoder）。性能最优的模型通常通过“ 注意…...

编程日记 2025/9/5 14:56:07

究竟什么是AI提示词？深入解析与实战应用

随着人工智能技术的飞速发展，AI提示词（AI Prompt）逐渐成为自然语言处理（NLP）领域的热门话题。无论是GPT-3、ChatGPT还是其他大型语言模型，提示词都扮演着至关重要的角色。那么，究竟什么是AI提示…...

编程日记 2025/9/6 21:09:29

deep-research开源框架 Agentic Reasoning

Agentic-Reasoning是由牛津大学团队开源的推理框架. 该框架在GPQA博士级科学题库上准确率提升35%，生物学问题得分从62%跃升至79%，显著优于DeepSeek-R1等闭源模型。特色：Agentic-Reasoning在定义和实现code agent上做的非常出色。可以借鉴。…...

编程日记 2025/9/5 14:26:34

解锁智能变革密码：浙江大学2025年DeepSeek行业应用案例集深度解析

引言：AI技术驱动的时代浪潮 2025年，人工智能技术已从实验室走向千行百业，成为推动社会经济发展的核心引擎。在这一背景下，浙江大学联合DeepSeek团队推出的《2025年DeepSeek行业应用案例集》（以下简称“案例集”&#…...

编程日记 2025/9/6 22:57:56

C# Unity 唐老狮 No.5 模拟面试题

本文章不作任何商业用途仅作学习与交流安利唐老狮与其他老师合作的网站,内有大量免费资源和优质付费资源,我入门就是看唐老师的课程打好坚实的基础非常非常重要: 全部 - 游习堂 - 唐老狮创立的游戏开发在线学习平台 - Powered By EduSoho 如果你发现了文章内特殊的字体格式,…...

编程日记 2025/9/5 4:40:42

《2025软件测试工程师面试》功能测试篇

什么是功能测试？功能测试是通过验证产品功能是否满足用户需求的过程，主要关注软件的功能是否符合需求规格说明，包括软件的各种功能、特性、性能、安全性和易用性等。功能测试的流程包括哪些步骤？需求分析：明确软件需求，确定测试范围。测试计划：制定详细的测试计划，…...

编程日记 2025/9/9 1:48:45

DeepSeek如何快速开发PDF转Word软件

一、引言如今，在线工具的普及让PDF转Word成为了一个常见需求，常见的PDF转Word工具有收费的WPS，免费的有PDFGear，以及在线工具SmallPDF、iLovePDF、24PDF等。然而，大多数免费在线转换工具存在严重隐私风险——文件需上…...

编程日记 2025/9/5 9:22:15

ROS环境搭建

ROS首次搭建环境注：以下内容都是在已经安装好ros的情况下如何搭建workplace 一、创建工作空间二、创建ROS包三、注意注：以下内容都是在已经安装好ros的情况下如何搭建workplace 如果没有安装好，建议鱼香ros一步到位:鱼香ROS 我也是装了好久…...

编程日记 2025/9/4 1:36:13

深入探索DeepSeek开源之旅：开源Week全程解析

摘要在农历新年刚刚结束之际，DeepSeek以卓越的开源精神，连续六天举办了开源Week活动。这一系列活动不仅展示了DeepSeek在技术领域的活跃度和影响力，还彰显了其对开源社区的贡献。通过这次活动，DeepSeek吸引了众多开发者和技术爱好…...

编程日记 2025/9/7 17:33:51

Redis是什么？如何使用Redis进行缓存操作？

Redis（Remote Dictionary Server）是一款高性能的内存键值存储系统，广泛用于缓存、消息队列、会话存储和实时数据处理等场景。它基于内存存储，支持多种数据结构，如字符串、列表、集合、有序集合和哈希表等，具…...

编程日记 2025/8/31 18:55:14

Unity学习笔记之——ugui的性能优化

在Unity中UI优化的核心问题就是重绘和批处理之间的平衡一、Canvas优化要点 1.优化原因： （1）Unity为了性能优化，会合并Canvas下的所有元素； （2）如果把所有面板放到一个Canvas下，会…...

编程日记 2025/9/9 0:05:01

【三.大模型实战应用篇】【2.智能学员辅导系统：与大模型的深度交互】

早上七点半，初三学生小林打开数学辅导APP，发现AI老师准确指出了他昨晚作业中三次跳步计算的坏习惯——这比他亲妈观察得还细致。这背后是一场发生在代码深处的"脑力风暴"，让我们潜入智能辅导系统与大模型深度交互的"暗室"，看看那些让教育产生化学反应的…...

编程日记 2025/9/8 0:31:24

【vue-echarts】——04.配置项---legend

文章目录一、配置项-legend图例二、显示结果一、配置项-legend图例图例组件展现了不同系列的标记，颜色和名字。可以通过点击图例控制哪些系列不显示。代码如下 Demo4View.vue <template><div class="about">...

编程日记 2025/8/16 10:31:22

面试题02.02.返回倒数第k个节点

实现一种算法，找出单向链表中倒数第 k 个节点。返回该节点的值。注意：本题相对原题稍作改动示例： 输入： 1->2->3->4->5 和 k 2 输出： 4 说明： 给定的 k 保证是有效的。题解&#xff…...

编程日记 2025/9/4 20:35:26

剑指 Offer II 041. 滑动窗口的平均值

comments: true edit_url: https://github.com/doocs/leetcode/edit/main/lcof2/%E5%89%91%E6%8C%87%20Offer%20II%20041.%20%E6%BB%91%E5%8A%A8%E7%AA%97%E5%8F%A3%E7%9A%84%E5%B9%B3%E5%9D%87%E5%80%BC/README.md 剑指 Offer II 041. 滑动窗口的平均值题目描述给定一个整数…...

编程日记 2025/9/1 3:30:05