多尺度训练第22页

代码随想录算法训练营第四十八天|583. 两个字符串的删除操作，72. 编辑距离

系列文章目录代码随想录算法训练营第一天|数组理论基础，704.二分查找，27.移除元素代码随想录算法训练营第二天|977.有序数组的平方，209.长度最小的子数组，59.螺旋矩阵II代码随想录算法训练营第三天

丁希希哇·2025-03-07 23:11

算法训练（leetcode）二刷第三十八天 | 1143. 最长公共子序列、1035. 不相交的线、53. 最大子数组和、392. 判断子序列

刷题记录1143.最长公共子序列1035.不相交的线53.最大子数组和动态规划优化版392.判断子序列1143.最长公共子序列leetcode题目地址本题和300.最长递增子序列相似（题解）。使用动态规划：dp数组含义：dp[i][j]表示以text1[i-1]结尾的子串A和以text2[j-1]结尾的子串B的最长公共子序列的长度。思路同300.最长递增子序列，每个状态更新基于前面的状态，为了防止

Star Patrick·2025-03-07 23:41

*算法训练（leetcode）第三十九天 | 115. 不同的子序列、583. 两个字符串的删除操作、72. 编辑距离

刷题记录*115.不同的子序列*583.两个字符串的删除操作解法一解法二*72.编辑距离*115.不同的子序列leetcode题目地址dp[i][j]代表：以i-1结尾的s中包含以j-1结尾的t的个数。有以下两种情况：s[i-1]==t[i-1]：考虑s[i-1]不考虑s[i-1]s[i-1]!=t[i-1]题解思路时间复杂度：O(n2)O(n^2)O(n2)空间复杂度：O(n∗m)O(n*m)O

Star Patrick·2025-03-07 23:41

*算法训练（leetcode）第十七天 | 235. 二叉搜索树的最近公共祖先、701. 二叉搜索树中的插入操作、450. 删除二叉搜索树中的节点

刷题记录235.二叉搜索树的最近公共祖先递归非递归701.二叉搜索树中的插入操作递归非递归*450.删除二叉搜索树中的节点235.二叉搜索树的最近公共祖先leetcode题目地址二叉搜索树（BST），左小右大。在BST中查找两个节点p、q的最近公共祖先时，使用前序遍历，访问到的第一个在两个节点的区间内[p,q]的节点就是公共祖先节点。当前节点值超出区间时借助BST性质（左小右大）向对应的方向缩小范

Star Patrick·2025-03-07 23:10

算法训练（leetcode）第二十三天 | 455. 分发饼干、*376. 摆动序列、53. 最大子数组和

刷题记录455.分发饼干*376.摆动序列53.最大子数组和455.分发饼干leetcode题目地址贪心，两个数组排序，从前向后或从后向前均可，二者需保持同序，使用两个指针分别指向两个数组，当胃口满足时两个指针同时后移并计数，若不满足则饼干指针后移寻找合适的饼干。由于使用了两次快排，所以时间复杂度为O(nlogn)。时间复杂度：O(nlogn)O(nlogn)O(nlogn)空间复杂度：O(1)O

Star Patrick·2025-03-07 23:10

算法训练（leetcode）二刷第三十九天 | 115. 不同的子序列、583. 两个字符串的删除操作、72. 编辑距离

刷题记录*115.不同的子序列583.两个字符串的删除操作思路一：转求公共子序列思路二：编辑距离（统计删除次数）72.编辑距离*115.不同的子序列leetcode题目地址编辑距离问题。题目要求在s串中查找t串出现的次数。dp数组含义：dp[i][j]表示以s[i-1]结尾的子串A中出现以t[j-1]为结尾的子串B的个数状态转移方程：题目要求在s串中查找t串出现的次数，因此只考虑对s串进行编辑。当

Star Patrick·2025-03-07 21:28

2025年AI编程的进展与突破

2025年AI编程的进展与突破1.AI编程能力达到中级工程师水平核心技术突破：大语言模型（如GPT-4、Claude3.5）通过海量代码训练，已能理解自然语言需求并生成符合规范的代码，支持复杂任务（如多文件修改

调皮的芋头·2025-03-07 20:19

基于阿里云调用deepseek大模型

文章目录1.单轮对话2.多轮对话参考文档选择需要调用的模型，每个模型的详细信息中会有API示例（deepseek-r1），需要做的就是申请自己的APIkey就行了，过程中可能需要实名认证。

atwdy·2025-03-07 20:47

证书在“精“不在“多“，项目经理该考的证其实就3种……

然而，面对市面上琳琅满目的证书，大家难免会陷入“选择恐惧症”，不知道该考哪一本，毕竟证书在"精"而不在"多"。那么项目经理究竟应该集中精力考什么类型的证书呢？

项目经理刘湖南·2025-03-07 20:16

复现：latent diffusion（LDM）stable diffusion

https://github.com/CompVis/latent-diffusion然后运行环境配置：condaenvcreate-fenvironment.yamlcondaactivateldm下载预先训练的权重

JokerSZ.·2025-03-07 20:40

阿里云CTO：通义稳居全球最强开源大模型，性能接近GPT-4o

来源：@首席数智官9月19日，在2024杭州云栖大会上，阿里云CTO周靖人表示，阿里云正在围绕AI时代，树立一个AI基础设施的新标准，全面升级从服务器到计算、存储、网络、数据处理、模型训练和推理平台的技术架构体系

首席数智官·2025-03-07 20:39

特斯拉FSD不同版本的进化

特斯拉，FSD，自动驾驶，深度学习，计算机视觉，强化学习，神经网络，模型训练1.背景介绍特斯拉自2016年推出Autopilot以来，一直致力于开发全自动驾驶系统，其目标是实现完全无人驾驶，让汽车能够像人类一样感知周围环境

AI智能涌现深度研究·2025-03-07 19:35

如何通过卷积神经网络（CNN）有效地提取图像的局部特征，并在CIFAR-10数据集上实现高精度的分类？

目录1.CNN提取图像局部特征的原理2.在CIFAR-10数据集上实现高精度分类的步骤2.1数据准备2.2构建CNN模型2.3定义损失函数和优化器2.4训练模型2.5测试模型3.提高分类精度的技巧卷积神经网络

浪九天·2025-03-07 19:27

分享4个H5小帮手工具，零基础也能完成！

模板超级多的，随便选一个适合主题的模板稍微修改编辑一下就能令你的h5瞬间高大上！不过，这里有个小小的避雷点：有些模

帖帖小帮手·2025-03-07 19:56

OpenHarmony 鸿蒙使用指南——概述

简介OpenHarmony采用多内核（Linux内核或者LiteOS）设计，支持系统在不同资源容量的设备部署。

AIGC龙哥·2025-03-07 18:24

一文读懂！OpenCV 实时人脸识别从 0 到 1，小白也能轻松实操的超详细教程（完整教程及源码）

深入阐述特征提取、模型训练方法，包含传统与深度学习方式，还介绍OpenCV预训练模型的使用与评估。详细讲解实时识别过程，包括打开摄像头、逐帧处理及结果显示优化。

AI_DL_CODE·2025-03-07 18:21

【硬核拆解】DeepSeek开源周五连击：中国AI底层技术的“破壁之战”

从GPU计算内核到分布式训练框架，用五大开源项目，在硬件适配、算力优化、通信调度等“卡脖子”领域打

shelly聊AI·2025-03-07 18:50

蓝桥训练系统-基础训练-非VIP题

蓝桥训练系统-基础训练-非VIP题数列排列#includeusingnamespace::std;inta[205];intmain(){intn;cin>>n;for(inti=1;i>a[i];sort

给雨·2025-03-07 17:47

安卓录屏神器-AZ Screen Recorder‌

（文末有下载链接）一、核心特点‌多场景适配‌支持全屏录制、自定义区域录制及分屏录制，适配游戏、应用操作、在线课程等需求‌。提供前置摄像头叠加功能，可同时录制屏幕画面和真人讲解，增强视频互动性‌。‌高兼

zhslhm·2025-03-07 17:45

第37篇Personalized Federated Learning: A Meta-Learning Approach（perfedavg联邦学习+元学习）2020个性化联邦学习使用Hessian

第一部分：解决的问题联邦学习（FL）在多用户协同训练模型时，因数据隐私和通信限制，用户仅与中央服务器交互。

还不秃顶的计科生·2025-03-07 17:44

Macro Bullion：金银技术指标中性，把握交易策略破局

目前RSI数值接近50，表明黄金市场多空力量暂时相对均衡，没有明显的一方占据主导优势。从RSI的走势来看，短期内没有呈现出明显的上升或下降趋势，暗示市场可能处于盘整阶段，等待新的驱动因素来打破平衡。

gdjwr65465·2025-03-07 16:59

期权对冲和期货对冲哪个好一点？

一、核心区别对比维度期权对冲期货对冲风险特征风险有限（买方）/风险无限（卖方）风险双向无限（多空均可能大亏）成本需支付权利金（买方）或缴纳保证金（卖方）需缴纳保证金（无权利金）灵活性可定制执行价、到期日

小熊期权493·2025-03-07 16:26

Web自动化中多浏览器并发

一、背景1、当自动化用例比较多时，执行需要很长时间，为了提高执行效率可以将用例分配到多个浏览器执行2、兼容性测试，在多个不同的浏览器上执行自动化用例，测试这些用例在不同浏览器上是否正常二、设计方案1、使用pytest-xdist插件2、执行用例的时候，框架需要知道执行哪些浏览器可以在pytest执行时，指定一个命令行参数，--browsers，表示要执行的浏览器名称，多个浏览器用逗号分隔--bro

进阶的DW·2025-03-07 15:16

C语言、C++和C#的区别在什么地方？

C语言是一种过程式编程语言，C++是一种多范式编程语言，支持过程式编程和面向对象编程，而C#是一种高级的面向对象编程语言，主要面向.NET框架。

破碎的天堂鸟·2025-03-07 15:44

C#实现ModbusRTU详解【五】—— NModbus4的使用

在实际使用的时候，我们其实不需要写那么多东西，GitHub上其实有很多现成的类库，可以直接导入使用，无需自己生成通讯报文。由于本专栏并非仅仅介绍实际应用，所以

澎湖Java架构师·2025-03-07 15:14

芯昇XS9922B：四通道多合一模拟高清解码器国产芯片对标TP

1.1概述XS9922B是一款4通道模拟复合视频解码芯片，支持HDCCTV高清协议和CVBS标清协议，视频制式支持720P/1080P高清制式和960H/D1标清制式。芯片将接收到的高清模拟复合视频信号经过模数转化，视频解码以及2D图像处理之后，转化为YCbCr，并以MIPICSI接口传输给主控编码芯片。XS9922B内嵌高音质音频Codec，集成了3-CHMIC输入、2-CHLineIn输入和1

AUTO_15019947865·2025-03-07 14:49

阿里深夜开源QwQ-32B模型，仅需1/10的成本即可比肩R1满血版

大规模强化学习（RL）有潜力超越传统的预训练和后训练方法来提升模型性能。近期的研究表明，强化学习可以显著提高模型的推理能力。

伪_装·2025-03-07 13:45

从零理解人工智能：技术原理、底层逻辑与手写数字识别实战

文章目录引言一、人工智能技术体系1.1核心技术栈二、神经网络底层逻辑2.1神经元数学模型2.2前向传播与反向传播三、手写数字识别实战（MNIST）3.1环境配置3.2数据预处理3.3CNN模型构建3.4模型训练与评估四

北辰alk·2025-03-07 13:40

代码随想录算法训练营 | 图论 | 孤岛总面积、沉没孤岛

101.孤岛的总面积//思路大概是先计算面积，然后如果有接触路面就返回false。可能稍微多余算了太多无用面积。#includeusingnamespacestd;voidsum(vector>&finded,constvector>&graph,inta,intb,int&result,bool&Ifisland){if(agraph.size()-1||b>graph[0].size()-1)

jcc_newszu·2025-03-07 13:07

机器学习与深度学习里生成模型和判别模型的理解

两个模型是啥我们从几句话进入这两个概念：1、机器学习分为有监督的机器学习和无监督的机器学习；2、有监督的机器学习就是已知训练集数据的类别情况来训练分类器，无监督的机器学习就是不知道训练集的类别情况来训练分类器

程序员羊羊·2025-03-07 12:03

AI智能设计平台：AnKo引领未来创作与设计！

AnKo的多模型聚合，使得

gange574·2025-03-07 12:59

第六讲中值定理、微分等式与微分不等式

通过文章格式严格要求自己每一章需要完成到什么程度，以及对我的复习提供一些帮助听课评估这一章主要内容是中值定理、微分等式与微分不等式等证明题，学这一讲花了大概一个星期，一开始的拉格朗日、罗尔、泰勒等证明根本搞不明白，后面还是靠多刷了两遍例题掌握的

Fan_558·2025-03-07 12:59

助力海外，空壳支持Google Play应用分身

空壳为你提供完美的多账号解决方案，让你可以多账号同时在线，无需来回切换，操作便捷高效。无论是个人生活，还是业务拓展，都能得心应手。

·2025-03-07 12:34

Docker - Docker Compose

DockerCompose简介DockerCompose是一个由Docker官方开发的开源工具，用于定义和运行多容器的Docker应用。

yueerba126·2025-03-07 12:29

【人工智能】大模型的Scaling Laws（缩放定律），通过增加模型规模（如参数数量）、训练数据量和计算资源来提升模型性能。

缩放定律（ScalingLaws）是人工智能领域中关于大模型性能提升的重要理论，其核心思想是通过增加模型规模（如参数数量）、训练数据量和计算资源来提升模型性能。

本本本添哥·2025-03-07 12:27

YOLOv10改进之MHAF(多分支辅助特征金字塔)

特征金字塔模块使用多尺度特征融合技术，提高对不同大小目标的检测效果。预测头则负责生成最终的检测结果。

清风AI·2025-03-07 11:20

2021年7月初，深圳TPlink图像算法工程师面试题分享

问题一：Batch-norm作用和参数batchnorm的作用batchnorm对于输入数据做了零均值化和方差归一化过程，方便了下一层网络的训练过程，从而加速了网络的学习。

niuyunpang·2025-03-07 11:16

Uboot启动学习笔记之四-uboot之初体验

u-boot初体验在这里我们首先要问自己一个问题，前面将了那么多准备的工作，就是为了启动个uboot，那么uboot到底有什么用?它是一致运行的吗，或者叫她的生命周期如何?

six2me·2025-03-07 11:16

多独立样本秩检验：Kruskal-Wallis检验

多独立样本秩检验：Kruskal-Wallis检验的理论与实践一、引言在统计学中，当数据不满足正态分布或方差齐性假设时，传统的参数检验（如方差分析ANOVA）可能失效。

木子算法·2025-03-07 11:12

大湾区经济网：粤港澳大湾区的权威经济之声

作为粤港澳大湾区的唯一综合性经济门户网站，大湾区经济网在近日正式升级改版后，更是以全新的面貌和强大的功能，成为连接大湾区内外经济、文化、科技等多领域的重要桥梁。

大湾区经济门户网·2025-03-07 10:26

Docker 与 Docker Compose 的联系与区别,迁移项目时有什么不同吗?

区别：特性DockerDockerCompose适用场景单容器部署多容器应用（微服务架构

Ven%·2025-03-07 10:24

大模型最新面试题系列：训练篇之模型监控与调试

1.训练过程中需要监控哪些关键指标？如何设置报警阈值？关键指标损失函数值：包括训练损失和验证损失，反映模型在训练和验证数据上的拟合程度。

人肉推土机·2025-03-07 10:21

具身智能行业

其核心特征是“知行合一”，强调通过实际交互提升智能水平，而非仅依赖数据训练。技术融合：结合人工智能（AI）、机器人技术、多模态大模型

[shenhonglei]·2025-03-07 09:13

【yolov8】模型导出----pytorch导出为onnx模型

五、问题六、疑问训练模型的最终目标是将其部署到实际应用

栗子风暴·2025-03-07 09:12

LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3

LLMs之Llama-3：基于Colab平台(免费T4-GPU)利用LLaMA-Factory的GUI界面(底层采用unsloth优化框架【加速训练5~30倍+减少50%的内存占用】)对llama-3-

一个处女座的程序猿·2025-03-07 09:41

C# 设计模式之观察者模式

1基础介绍观察者模式定义了对象之间的一种一对多的依赖关系，使得当一个对象状态发生改变时，它的所有依赖者都能够得到相应的通知并作出相应的反应。观察者模式也被称为发布-订阅模式。

鲤籽鲲·2025-03-07 09:40

Bert模型学习笔记

可以看看李沐的视频：https://www.bilibili.com/video/BV1PL411M7eQ这篇文章主要是四个部分：bert的整体架构如何做预训练mlm+nsp如何微调bert(没看)代码解析

文三路张同学·2025-03-07 09:39

存储性能调优：掌握I/O性能调优和缓存策略配置

无论是高并发交易系统、实时分析平台，还是AI训练场景，存储I/O瓶颈和缓存策略配置不当都可能引发性能雪崩。本文将从硬件层到软件层，系统性地解析存储性能调优的核心技术，并提供可落地的优化策略。

Morris只会敲命令·2025-03-07 09:38

AdaBoost算法

以下是对AdaBoost的简明总结和关键要点：一、核心原理：提升法：通过顺序训练多个弱分类器，每轮专注修正前一个模

Mr终游·2025-03-07 09:07

Bert学习笔记

一、Bert架构BERT使用了双向的TransformerGPT使用从左到右的单向信息ELMo把单独训练的从左到右及从右到左的LSTM模型进行合并二、Bert预训练任务2.1遮蔽语言模型MLM任务：随机屏蔽

缓释多巴胺。·2025-03-07 09:05

推荐频道

多尺度训练