第七周ARTS

A

题目

题目思路：因为我们都有关系，所以我们可以计算出我个人信任的人和我个人信任的人。然后，我们只需要找一个法官。

我们可以通过使用单个向量并跟踪信任balance进一步简化此过程。只有拥有N - 1信任balance的人才会被所有人信任，而谁也不信任。

int findJudge(int N, vector>& trust) { 

vector balance(N +1);

for(auto&t : trust) 

      --balance[t[0]], ++balance[t[1]];

for(auto i =1; i <= N; ++i)

       if(balance[i] == N -1)

       return i;

return-1;

}

---

R

论文A Universal Music Translation Network中，FaceBook AI研究院的四位研究人员详细介绍了音乐转换网络背后的原理。

让音乐转变风格，甚至将口哨变成交响乐的秘密，都藏在一个通用的音乐转换网络里了。

这是一种横跨乐器、流派和风格的音乐转换方法，在多域Wavenet自编码器的基础上改造而来。

论文：

[1805.07848] A Universal Music Translation Network

开源地址：

GitHub - facebookresearch/music-translation: A UNIVERSAL MUSIC TRANSLATION NETWORK - a method for translating music across musical instruments and styles.

---

T

二叉树中两个节点最近的公共父节点

首先需要明白，根节点肯定是二叉树中任意两个节点的公共父节点（不一定是最近的），因此二叉树中2个节点的最近公共父节点一定在从根节点到这个节点的路径上。因此我们可以先分别找到从根节点到这2个节点的路径，再从这两个路径中找到最近的公共父节点。

/**

*  二叉树中两个节点最近的公共父节点

*

*  @param nodeA    第一个节点

*  @param nodeB    第二个节点

*  @param rootNode 二叉树根节点

*

*  @return 最近的公共父节点

*/

+ (BinaryTreeNode *)parentOfNode:(BinaryTreeNode *)nodeA andNode:(BinaryTreeNode *)nodeB inTree:(BinaryTreeNode *)rootNode {

    if (!rootNode || !nodeA || !nodeB) {

        return nil;

    }

    if (nodeA == nodeB) {

        return nodeA;

    }

    //从根节点到节点A的路径

    NSArray *pathA = [self pathOfTreeNode:nodeA inTree:rootNode];

    //从根节点到节点B的路径

    NSArray *pathB = [self pathOfTreeNode:nodeB inTree:rootNode];

    //其中一个节点不在树中，则没有公共父节点

    if (pathA.count == 0 || pathB == 0) {

        return nil;

    }

    //从后往前推，查找第一个出现的公共节点

    for (NSInteger i = pathA.count-1; i>=0; i--) {

        for (NSInteger j = pathB.count - 1; j>=0; j--) {

            if ([pathA objectAtIndex:i] == [pathB objectAtIndex:j]) {

                //找到

                return [pathA objectAtIndex:i];

            }

        }

    }

    return nil;

}

---

S

谷歌给TensorFlow加入了计算机图形处理功能TensorFlow Graphics，让神经网络可以更好地理解计算机世界里的图形操作。

计算机图形（Computer Graphics）和计算机视觉（Computer Vision）是一对孪生兄弟，二者互为逆过程。

计算机图形是预先知道3D物体的形状、位置、材料构成，以及场景的灯光和相机，然后渲染出场景。

计算机视觉是已知拍到的图像，从中推断出有哪些物体，它们由什么材料制成，以及它们的3D位置和方向。

官方介绍：

https://medium.com/tensorflow/introducing-tensorflow-graphics-computer-graphics-meets-deep-learning-c8e3877b7668

项目页：

GitHub - tensorflow/graphics: TensorFlow Graphics: Differentiable Graphics Layers for TensorFlow

---