当前位置：首页 > news >正文

华为面试，机器学习深度学习知识点：

news 来源：原创 2025/5/8 17:13:33

机器学习深度学习知识点：
机器学习一般有哪些分数，对于不同的任务：
分类任务：
准确率（Accuracy）：预测正确的样本数占总样本数的比例，公式为
Accuracy=
TP+TN+FP+FN
TP+TN

，其中
TP
（真正例）、
TN
（真反例）、
FP
（假正例）、
FN
（假反例）。
精确率（查准率，Precision）：在预测为正的样本中，真正为正的比例，
Precision=
TP+FP
TP

。
召回率（查全率，Recall）：在实际为正的样本中，被正确预测为正的比例，
Recall=
TP+FN
TP

。
F1 分数：综合精确率和召回率的指标，
F1=
Precision+Recall
2×Precision×Recall

。
回归任务：
均方误差（MSE，Mean Squared Error）：预测值与真实值之差的平方的平均值，
MSE=
n
1

∑
i=1
n

(y
i

−
y
^

i

)
2

，其中
y
i

是真实值，
y
^

是预测值，
n
是样本数量。
平均绝对误差（MAE，Mean Absolute Error）：预测值与真实值之差的绝对值的平均值，
MAE=
n
1

∑
i=1
n

∣y
i

−
y
^

i

∣
。
决定系数（
R
2

，Coefficient of determination）：衡量模型对数据的拟合程度，
R
2
=1−
∑
i=1
n

(y
i

−
y
ˉ

)
2

∑
i=1
n

(y
i

−
y
^

i

)
2

，其中
y
ˉ

是真实值的均值。
讲讲几种损失函数：
交叉熵损失函数（Cross Entropy Loss）：常用于分类任务，衡量预测分布与真实分布之间的差异。对于二分类，
L=−[ylog(
y
^

)+(1−y)log(1−
y
^

)]
，其中
y
是真实标签（0 或 1），
y
^

是预测为正类的概率。对于多分类，
L=−∑
i=1
C

y
i

log(
y
^

i

)
，
C
是类别数，
y
i

是真实标签（one-hot 编码），
y
^

是预测属于第
i
类的概率。
均方误差损失函数（MSE）：如上述回归任务中提到，适用于回归问题，衡量预测值与真实值之间的平均平方误差。
铰链损失（Hinge Loss）：常用于支持向量机（SVM），对于二分类问题，
L=max(0,1−y⋅f(x))
，其中
y
是真实标签（+1 或 - 1），
f(x)
是模型的预测值。
正则化：
目的：防止过拟合，提高模型的泛化能力。
L1 正则化：在损失函数中加入参数的绝对值之和，即
L=L
0

+λ∑
i

∣w
i

∣
，
L
0

是原始损失函数，
λ
是正则化参数，
w
i

是模型参数。L1 正则化会使部分参数变为 0，产生稀疏解，可用于特征选择。
L2 正则化（权重衰减，Weight Decay）：在损失函数中加入参数的平方和，
L=L
0

+λ∑
i

w
i
2

。L2 正则化使参数值趋于较小，避免参数过大导致过拟合。
了解 1*1 卷积吗？：
定义：是一种特殊的卷积操作，卷积核的大小为
1×1
。
作用：
降维和升维：在通道维度上进行操作，可以减少或增加特征图的通道数。例如，当输入特征图通道数较多时，通过
1×1
卷积可以降低通道数，减少计算量。
跨通道信息整合：可以在不改变特征图空间尺寸的情况下，对不同通道的信息进行线性组合，实现特征的融合。
增加网络深度：引入更多的非线性变换，提升网络的表达能力。
讲一下过拟合和欠拟合：
过拟合：模型在训练集上表现很好，但是在测试集或新数据上表现很差。原因是模型过于复杂，学习到了训练数据中的噪声和细节，而没有捕捉到数据的一般规律。例如，一个多项式回归模型，当多项式次数过高时，可能会过度拟合训练数据的波动。
欠拟合：模型在训练集和测试集上的表现都不好，不能很好地拟合数据。原因是模型过于简单，无法学习到数据中的复杂关系。例如，使用线性模型去拟合非线性的数据。
讲一讲 BN（Batch Normalization），以及在测试阶段 BN 如何处理：
BN 的作用：对神经网络的每一层输入进行归一化，加速网络的训练过程，缓解梯度消失和梯度爆炸问题，提高模型的泛化能力。
原理：在训练时，对于每个 mini-batch，计算输入的均值
μ
和方差
σ
2

，然后对输入
x
进行归一化，得到
x
^

σ
2
+ϵ

x−μ

，其中
ϵ
是一个很小的常数，防止分母为 0。之后再通过两个可学习的参数
γ
和
β
进行缩放和平移，
y=γ
x
^
+β
。
测试阶段：使用训练阶段计算得到的均值和方差的移动平均值（一般是通过指数加权平均得到），而不是在测试数据上计算均值和方差。这样可以保证测试时的归一化操作是稳定的，并且与训练时的分布保持一致。
C++ 知识点：
32 位系统的指针占用多少内存：在 32 位系统中，指针占用 4 个字节（32 位）的内存，因为 32 位系统的地址总线是 32 位，可以表示的地址空间为
2
32

，所以指针需要 4 个字节来存储地址。
Python 知识点：
Python 的内存管理：
垃圾回收：Python 使用引用计数为主，标记 - 清除和分代回收为辅的垃圾回收机制。引用计数是指每个对象都有一个引用计数，当对象的引用计数为 0 时，该对象的内存会被释放。标记 - 清除用于处理循环引用的情况，分代回收将对象分为不同的代，根据对象的存活时间来进行不同频率的垃圾回收。
内存分配：Python 的内存分配由解释器管理，使用了内存池等技术来提高内存分配和释放的效率。例如，对于小对象（如整数、字符串等），会在内部的对象池中进行分配和复用。
手撕代码：
反转链表：
python

定义链表节点类

class ListNode:
def init(self, val=0, next=None):
self.val = val
self.next = next

def reverseList(head):
prev = None
current = head
while current:
next_node = current.next
current.next = prev
prev = current
current = next_node
return prev
二叉树的最大宽度 Leetcode 662：
python

定义二叉树节点类

class TreeNode:
def init(self, val=0, left=None, right=None):
self.val = val
self.left = left
self.right = right

def widthOfBinaryTree(root):
if not root:
return 0
queue = [(root, 0)]
max_width = 0
while queue:
level_start = queue[0][1]
level_end = queue[-1][1]
max_width = max(max_width, level_end - level_start + 1)
new_queue = []
for node, index in queue:
if node.left:
new_queue.append((node.left, 2 * index))
if node.right:
new_queue.append((node.right, 2 * index + 1))
queue = new_queue
return max_width

其他知识点：
数据增强的方法：
图像：加噪声（如高斯噪声、椒盐噪声等）、旋转（按一定角度旋转图像）、扭曲（如仿射变换、透视变换等）、平移（将图像在水平或垂直方向上移动）、裁剪（随机裁剪图像的一部分）、翻转（水平翻转或垂直翻转）等。
音频：时间拉伸（加速或者放慢音频）、Pitch shifting（改变音频的音调）、Dynamic Range Compression (DRC)（动态范围压缩）、Background Noise（添加背景噪声）等。
人脸识别的损失函数：
交叉熵损失函数：用于分类任务，将不同的人脸类别作为不同的类别进行分类。
三元组损失（Triplet Loss）：目的是使同一类人脸的特征向量距离尽可能近，不同类人脸的特征向量距离尽可能远。它通过构造三元组（锚点、正样本、负样本）来计算损失。
中心损失（Center Loss）：在交叉熵损失的基础上，引入类中心的概念，使每个类别的特征向量更加紧凑地聚集在其类中心周围。
Dropout 在测试阶段如何处理：在测试阶段，Dropout 通常会被关闭，即所有神经元都正常工作，不进行随机失活操作。为了保持训练和测试阶段的输出期望一致，在测试时，每个神经元的输出会乘以训练时的失活概率（例如，训练时失活概率为 0.5，则测试时每个神经元的输出乘以 0.5）。
为什么会出现梯度消失和梯度爆炸？：
梯度消失：在深度神经网络中，当使用反向传播算法计算梯度时，由于激活函数的导数小于 1，经过多层传播后，梯度会逐渐变小，导致靠近输入层的参数更新非常缓慢，甚至无法更新。例如，在使用 sigmoid 函数作为激活函数时，其导数在输入值较大或较小时接近于 0，容易引发梯度消失问题。
梯度爆炸：与梯度消失相反，当激活函数的导数大于 1，或者网络的权重初始化过大时，经过多层传播后，梯度会不断增大，导致参数更新过大，模型无法收敛。
介绍一下分数，比如查准率查全率 F1score：见前面机器学习分数部分的回答。
讲一下 softmax：
定义：常用于多分类问题，将一个
n
维的实数向量转换为一个概率分布。对于输入向量
z=[z
1

,z
2

,⋯,z
n

]
，其 softmax 输出为
y
i

∑
j=1
n

e
z
j

e
z
i

，其中
y
i

是第
i
个类别的概率，且
∑
i=1
n

y
i

=1
。
作用：将输出值转换为概率形式，便于进行分类决策，例如选择概率最大的类别作为预测结果。
多线程和进程的关系：
进程：是操作系统分配资源的基本单位，每个进程都有自己独立的地址空间、内存、文件描述符等资源。进程之间的通信需要通过特定的机制（如管道、共享内存、套接字等）。
线程：是进程内的执行单元，共享进程的资源，如地址空间、内存等。线程之间的切换开销比进程小，通信也相对简单，可以直接访问共享变量。一个进程可以包含多个线程，多线程可以提高程序的并发性能。
Linux 文件权限管理：
文件权限：在 Linux 中，每个文件都有所有者（owner）、所属组（group）和其他用户（others）的权限设置。权限包括读（r）、写（w）、执行（x）三种，分别用数字 4、2、1 表示。例如，文件权限为
rwxr−xr−−
，则所有者具有读、写、执行权限（7），所属组具有读和执行权限（5），其他用户具有读权限（4）。
权限设置命令：chmod命令用于修改文件权限，可以使用数字表示法（如chmod 754 file）或符号表示法（如chmod u+x file，表示给所有者添加执行权限）。chown命令用于修改文件的所有者，chgrp命令用于修改文件的所属组。
C++ stl 有了解吗？：
STL（Standard Template Library）：是 C++ 标准库的重要组成部分，提供了一系列通用的模板类和函数，包括容器（如 vector、list、deque、set、map 等）、迭代器、算法（如 sort、find、for_each 等）和仿函数等。
容器：用于存储和管理数据，不同的容器有不同的特点和适用场景。例如，vector 是动态数组，支持随机访问，适合在尾部进行插入和删除操作；list 是双向链表，不支持随机访问，但在任意位置插入和删除元素的效率较高。
算法：是对容器中的数据进行操作的函数，如排序、查找、变换等。算法可以与不同的容器配合使用，提高代码的复用性和效率。
Numpy 的数组，pytorch tensor 有什么区别？：
数据类型：Numpy 数组主要用于处理数值型数据，支持多种数据类型（如 float、int 等）。PyTorch tensor 不仅可以处理数值型数据，还可以处理其他类型的数据，如布尔型、复数型等，并且在 GPU 上的计算效率更高。
计算设备：Numpy 数组只能在 CPU 上进行计算，而 PyTorch tensor 可以在 CPU 和 GPU 之间灵活切换，方便进行大规模的数值计算和深度学习任务。
自动求导：PyTorch tensor 具有自动求导功能，这是深度学习框架的重要特性，方便进行梯度计算和模型训练。Numpy 数组没有自动求导功能。
数组 reshape 之后内容是否一样？：如果在不改变数据的情况下进行 reshape 操作（即新的形状与原始数据的元素数量一致），那么 reshape 之后数组的内容是一样的，只是形状发生了变化。例如，将一个
2×3
的数组 reshape 为
3×2
，元素的值不会改变。
深拷贝浅拷贝：
浅拷贝：创建一个新的对象，但是新对象中的元素是对原对象中元素的引用。如果原对象中的元素是可变对象（如列表、字典等），那么修改新对象中的元素会影响原对象，反之亦然。例如，使用list.copy()方法进行浅拷贝。
深拷贝：创建一个新的对象，并且递归地复制原对象中的所有元素，新对象和原对象是完全独立的，修改新对象中的元素不会影响原对象。可以使用copy.deepcopy()函数进行深拷贝。
Python 装饰器：
定义：是一种特殊的函数，用于修改其他函数的行为。装饰器可以在不修改原函数代码的情况下，为函数添加额外的功能，如日志记录、性能测试、权限验证等。
实现方式：装饰器通常是一个函数，它接受一个函数作为参数，并返回一个新的函数。例如：
python
def decorator(func):
def wrapper():
print(“Before function call”)
func()
print(“After function call”)
return wrapper

@decorator
def my_function():
print(“Inside my function”)

my_function()

介绍一下深度学习框架 tensorflow pytorch：
TensorFlow：由 Google 开发和维护，是一个广泛使用的深度学习框架。它提供了丰富的工具和库，支持各种深度学习任务，如图像识别、自然语言处理等。TensorFlow 的计算图机制使得模型的定义和训练更加灵活，并且支持在 CPU、GPU 等多种设备上运行。它还提供了分布式训练的功能，适合大规模的深度学习应用。
PyTorch：由 Facebook 开发，是一个基于 Python 的深度学习框架。PyTorch 以其简洁易用的 API 和动态计算图而受到欢迎。动态计算图使得模型的调试和开发更加方便，同时也支持自动求导功能，方便进行模型训练。PyTorch 在学术界和工业界都有广泛的应用，特别是在自然语言处理和计算机视觉领域。

华为面试，机器学习深度学习知识点：

机器学习深度学习知识点： 机器学习一般有哪些分数，对于不同的任务： 分类任务： 准确率（Accuracy）：预测正确的样本数占总样本数的比例，公式为 Accuracy TPTNFPFN TPTN &#xff0c…...

编程日记 2025/5/8 17:13:33

关于数据库 UNION 和 UNION ALL 的使用，以及分库分表环境下多表数据组合后的排序和分页问题的解决方案的详细说明，并以表格总结关键内容

以下是关于数据库 UNION 和 UNION ALL 的使用，以及分库分表环境下多表数据组合后的排序和分页问题的解决方案的详细说明，并以表格总结关键内容： 1. UNION 和 UNION ALL 的核心区别 1.1 定义与语法 UNION 功能：合并两个或多个 …...

编程日记 2025/5/8 8:36:47

架构设计基础系列：事件溯源模式浅析

图片来源网络，侵权删 ‌1. 引言‌ ‌1.1 研究背景‌ 传统CRUD模型的局限性：状态覆盖导致审计困难、无法追溯历史。分布式系统复杂性的提升：微服务架构下数据一致性、回滚与调试的需求激增。监管合规性要求：金融、医疗等领域对数…...

编程日记 2025/5/3 17:39:56

虚拟试衣间-云尚衣橱小程序-衣橱管理实现

衣橱管理实现目标 (Goal): 用户 (User): 能通过 UniApp 小程序上传衣服图片。后端 (Backend): 接收图片，存到云存储，并将图片信息（URL、用户ID等）存入数据库。用户 (User): 能在小程序里看到自己上传的所有衣服图片列表。技术栈细化 (Refined Tech Stack for this Pha…...

编程日记 2025/5/6 9:57:39

蓝桥杯省模赛台阶方案

问题描述小蓝要上一个楼梯，楼梯共有 n 级台阶（即小蓝总共要走 n 级）。小蓝每一步可以走 a 级、b 级或 c 级台阶。请问小蓝总共有多少种方案能正好走到楼梯顶端？ 输入格式输入的第一行包含一个整数 n 。第二行包含三个整数…...

编程日记 2025/5/6 2:56:20

Socket编程UDP

Socket编程UDP 1、V1版本——EchoServer2、网络命令2.1、ping2.2、netstat2.3、pidof 3、验证UDP——Windows作为client访问Linux4、V2版本——DictServer5、V3版本——简单聊天室 1、V1版本——EchoServer 首先给出EchoServer目录结构：服务器的类我们实现在UdpServ…...

编程日记 2025/5/6 10:01:00

无人机机体结构设计要点与难点!

一、无人机机体结构设计要点 1. 类型与应用场景匹配固定翼无人机：需优化机翼升阻比，采用流线型机身降低气动阻力（如大展弦比机翼设计）。多旋翼无人机：注重轻量化框架和对称布局（如四轴/六轴碳纤维机…...

编程日记 2025/5/7 5:39:11

音视频(一)ZLMediaKit搭建部署

前言一个基于C11的高性能运营级流媒体服务框架全协议支持H264/H265/AAC/G711/OPUS/MP3，部分支持VP8/VP9/AV1/JPEG/MP3/H266/ADPCM/SVAC/G722/G723/G729 1：环境 ubuntu22.* ZLMediaKit downlaod:https://github.com/ZLMediaKit/ZLMediaKit or https://g…...

编程日记 2025/5/1 10:38:48

实战 | 餐厅点餐小程序技术解析：SpringBoot + UniApp 高效开发指南

🖥️ 一、系统架构概览 1.1 技术选型为了确保开发效率和系统稳定性，我们采用以下技术栈： 模块技术选型后台服务SpringBoot MyBatis-Plus MySQL用户端（点餐小程序）UniApp（Vue 语法）师傅端&…...

编程日记 2025/5/4 18:17:21

合并相同 patient_id 的 JSON 数据为数组

问题 select patient_id,concat({"itemText":",item_text,","itemValue":",item_value,"}) from hs_patient_groups where active 1;eef41128c47c401abb7f8885a5f9fbdf {"itemText":"旧","itemValue"…...

编程日记 2025/5/6 22:27:20

AI安全：构建负责任且可靠的系统

AI已成为日常生活中无处不在的助力，随着AI系统能力和普及性的扩展，安全因素变得愈发重要。从基础模型构建者到采用AI解决方案的企业，整个AI生命周期中的所有相关方都必须共同承担责任。为什么AI安全至关重要？ 对于企业而言&…...

编程日记 2025/5/6 4:15:41

STM32单片机入门学习——第8节: [3-4] 按键控制LED光敏传感器控制蜂鸣器

写这个文章是用来学习的,记录一下我的学习过程。希望我能一直坚持下去,我只是一个小白,只是想好好学习,我知道这会很难，但我还是想去做！ 本文写于：2025.04.02 STM32开发板学习——第8节: [3-4] 按键控制LED&光敏传感器控制蜂鸣器前言开…...

编程日记 2025/5/8 17:07:13

Linux驱动入门——设备树详解

文章目录一、设备树的引入与作用二、设备树的语法1. Devicetree格式1.1 DTS文件的格式1.2 node的格式1.3 properties的格式 2. dts文件包含dtsi文件3. 常用的属性3.1 #address-cells、#size-cells3.2 compatible3.3 model3.4 status3.5 reg 4. 常用的节点(node)4.1 根节点4.2 …...

编程日记 2025/5/4 1:11:24

Scala集合

Scala集合分为序列Seq、集Set、映射Map，都扩展自Iterable特质，且有可变和不可变版本。不可变集合操作后会返回新对象，可变集合则直接修改原对象。比如数组，不可变数组定义后大小不可变，修改会生成新数组；可…...

编程日记 2025/5/5 22:19:43

阿里云AI Studio 2.0：拖拽搭建企业级智能客服系统

一、平台能力全景 1.1 核心功能矩阵模块子功能技术指标对话设计可视化流程编排支持50节点类型NLP引擎意图识别准确率行业TOP3（92.6%）知识管理多源数据接入15格式支持渠道对接全渠道覆盖8大平台SDK 1.2 企业级特性关键优势： 日均对话承…...

编程日记 2025/5/5 20:53:25

java虚拟机---JVM

JVM JVM，也就是 Java 虚拟机，它最主要的作用就是对编译后的 Java 字节码文件逐行解释，翻译成机器码指令，并交给对应的操作系统去执行。 JVM 的其他特性有： JVM 可以自动管理内存，通过垃圾回收器回收不再…...

编程日记 2025/5/8 17:04:08

您的LarkXR专属顾问上线了！平行云官网新增 AI 小助手，手册同步升级！

遇到LarkXR技术问题？还在手动翻文档？ Paraverse平行云官网双升级——AI小助手实时答疑用户手册智能检索！ 助您快速定位解决方案，效率全面提升！ < 01 > AI 小助手—— 您的 LarkXR 智能顾问欢迎我们的新成员…...

编程日记 2025/5/7 10:36:15

推导Bias² + Variance + σ²_ε

问题的背景我们有一个真实函数 f ( x ) f(x) f(x) 和基于训练数据 D D D 训练得到的模型 f ^ ( x ; D ) \hat{f}(x;D) f^(x;D)。对于任意输入 x x x： y y y 是真实的观测值，定义为 y f ( x ) ϵ y f(x) \epsilon yf(x)ϵ，其中 …...

编程日记 2025/5/7 7:05:29

javaSE知识梳理（一）

一.面向对象编程 1.面向对象的基本元素：类(class)和对象 ①类的声明语法格式： [修饰符] class 类名{属性声明;方法声明; } ②对象的创建(new) 语法格式： //方式1：给创建有名对象类名对象名 new 类名();//方式2&#xff1…...

编程日记 2025/5/6 10:59:38

k8s statefulset pod重启顺序

在 Kubernetes 中，StatefulSet 的 Pod 重启顺序由以下规则和机制决定： 1. StatefulSet 的核心设计原则 StatefulSet 旨在管理有状态应用，其核心特性包括： 稳定的唯一标识：Pod 名称格式为 <statefulset-name>-&…...

编程日记 2025/5/1 22:45:07

记录学习的第十九天

现在这篇是记录一下4.1的学习。今天还没开始。这篇是关于简单的动态规划的题目，思路比较清晰类似。在这里先说一下有关动态规划的四个步骤： 1.确定子问题 2.确定dp数组的递推关系(dp数组也叫子问题数组) 3.确定求解的计算顺序 4.空间优化(初学者可…...

编程日记 2025/5/8 15:32:20

【实用技巧】电脑重装后的Office下载和设置

写在前面：本博客仅作记录学习之用，部分图片来自网络，如需引用请注明出处，同时如有侵犯您的权益，请联系删除！ 文章目录前言下载设置总结互动致谢参考目录导航前言在数字化办公时代，Windows和…...

编程日记 2025/5/6 14:59:35

模拟集成电路设计与仿真 : Mismatch

前情提要此為作者針對 mismatch ，進行資料統整，以便日後查詢原理 1. Mismatch (失配) random offset 靜態消除 : trimming動態消除 : auto zero ，choppingCMRRlinearity 理想差動對只有奇次諧波，沒有偶次諧波，但 mismatch 會引入殘存的偶次諧波PSRR2. Input Offset Volt…...

编程日记 2025/5/5 9:08:13

深度学习查漏补缺：4.数据分布的度量

一、数据分布差异的度量 1.KL散度（Kullback-Leibler Divergence） 什么是KL散度？ KL散度是一种用来衡量两个概率分布之间差异的工具。你可以把它想象成一个“距离测量器”，但它不是传统意义上的距离（比如两点之…...

编程日记 2025/5/7 13:19:40

银河麒麟V10 aarch64架构安装mysql教程

国产操作系统 ky10.aarch64 因为是arm架构，故选择mysql8，推荐安装8.0.28版本尝试8.0.30和8.0.41版本均未成功，原因不明☹️ 1. 准备工作 ⏬ 下载地址：https://downloads.mysql.com/archives/community/ 2. 清理历史环境不用管…...

编程日记 2025/5/4 17:41:43

【NLP 52、多模态相关知识】

生活应该是美好而温柔的，你也是 —— 25.4.1 一、模态 modalities 常见： 文本、图像、音频、视频、表格数据等罕见： 3D模型、图数据、气味、神经信号等二、多模态 1、Input and output are of different modalities (eg： tex…...

编程日记 2025/5/6 23:18:40

[NCTF2019]Fake XML cookbook [XXE注入]

题目源代码 function doLogin(){var username $("#username").val();var password $("#password").val();if(username "" || password ""){alert("Please enter the username and password!");return;}var data "…...

编程日记 2025/4/29 17:29:49

I²C总线高级特性与故障处理分析

IC总线高级特性与故障处理深度分析目录 1. IC基础回顾 1.1 IC通信基本原理1.2 IC总线时序与协议1.3 寻址方式与读写操作 2. IC高级特性 2.1 多主机模式2.2 时钟同步与伸展2.3 高速模式与Fast-mode Plus2.4 10位寻址扩展 3. IC总线故障与锁死 3.1 断电锁死原理3.2 总线挂起与…...

编程日记 2025/4/24 4:35:15

【力扣hot100题】（039）二叉树的直径

这题在简单题中有点难度，主要是不要把边数和深度搞混（我就这样）。我想了很久，发现如果当前节点没有右节点，就将它的右长度设为0，左节点同理，并且在递归是不会加一，而是将加一的操作…...

编程日记 2025/5/4 12:23:45

L2-001 紧急救援

注意题目没有说边的数量，实际最多有5e5条边，开小了第四个样例会错！！！ - 思路: Dijkstra 求最短路并且维护路径条数和最大人数。 #include<bits/stdc.h> using namespace std;typedef pair<int, int> pii…...

编程日记 2025/4/30 20:43:00

分组背包问题

与01背包的区别是，多了一个限制条件，将物品打包，每组物品只能用一个 #include <iostream> #include <algorithm>using namespace std;const int N 110;int v[N][N], w[N][N], s[N]; int f[N]; int n, m;int main() {cin >>…...

编程日记 2025/5/6 20:39:51

【工业场景】用YOLOv12实现饮料类别识别

饮料类别识别任务的意义在于帮助人们更快速地识别和区分不同类型的饮料，从而提高消费者的购物体验和满意度。对于商家而言，饮料类别识别可以帮助他们更好地管理库存、优化货架布局和预测销售趋势，从而提高运营效率和利润。此外，饮…...

编程日记 2025/5/6 2:26:55

宽带空时波束形成算法原理及MATLAB仿真

宽带阵列信号处理空时波束形成、空时波束形成方向图卫星导航空时抗干扰算法 MATLAB仿真文章目录前言一、空时波束形成结构二、空时波束形成方向图三、MATLAB仿真四、MATLAB源代码总结前言 \;\;\;\;\; 空时波束形成（Space-Time Beamforming）是一种结…...

编程日记 2025/4/30 15:44:10

406. 根据身高重建队列

链接 406. 根据身高重建队列 - 力扣（LeetCode） 题目思路可能的一个思路是先对高的人进行处理，这样后面插入矮的人时不会影响高的人的位置。比如，如果先处理高个子，那么当插入一个矮个子的时候，前面的高…...

编程日记 2025/5/5 4:00:30

机器学习：人工智能的核心驱动力

近年来，机器学习（Machine Learning，简称ML）已成为人工智能（AI）领域的核心驱动力。它不仅广泛应用于图像识别、自然语言处理、医疗诊断等领域，还推动了自动驾驶、智能推荐系统等前沿技术的发展。…...

编程日记 2025/5/4 13:28:38

机器视觉中的传统视觉与深度视觉

工业视觉是现代制造业中一个非常重要的应用领域，广泛用于产品质量检测，尤其是在生产线上。几乎所有的工业产品在流入市场之前，都要经历严格的缺陷检测环节，以确保它们符合质量标准。而在这一过程中，工业视觉检测系统发…...

编程日记 2025/5/8 17:12:01

机器学习开发全流程详解：从数据到部署的完整指南

机器学习项目的成功不仅依赖算法选择，更在于系统化的开发流程。本文详细拆解各阶段的核心任务、工具及注意事项，并通过表格总结帮助开发者快速掌握关键要点。 1. 数据获取与准备数据是机器学习的基础，需确保数据的质量与代表性。关键任务…...

编程日记 2025/5/4 17:42:12

春晚魔术[蓝桥]

这里考虑到N很大则快速幂无法处理，因为它并没有被取模欧拉定理： 当是质数时是质数两边同时取mod， // // Created by yumo_ // #include<bits/stdc.h>using namespace std; #define scin std::cin #define scout std::cout using …...

编程日记 2025/5/5 3:14:26

CF580B Kefa and Company（滑动窗口）

题目描述 Sergei B., the young coach of Pokemons, has found the big house which consists of n flats ordered in a row from left to right. It is possible to enter each flat from the street. It is possible to go out from each flat. Also, each flat is connecte…...

编程日记 2025/5/4 4:23:11

，然后对输入 x 进行归一化，得到 x ^

定义链表节点类

定义二叉树节点类

相关文章：

，然后对输入
x
进行归一化，得到
x
^