原创 線段樹-快速總結-算法筆記

主要的目的是記錄一哈二維線段樹,在此之前先簡單總結一下一維線段樹。 線段樹 線段樹顧名思義,處理線段(或者稱爲區間)的整體屬性的一種數據結構。 主要操作爲-範圍更新與查詢,時間複雜度爲logn級別的。 構建過程爲: 這棵樹將所定範

原创 LWIP-TFTP-筆記

TFTP協議 在此遵循RFC1350標準 目的 tftp是簡單的文件傳輸協議,是基於udp設計的,但也有tcp版本。 功能僅包括:讀、寫文件,不包含列出目錄。 支持2種傳輸模式:netascii,octet。 netascii,是

原创 網絡流-最大流最小割(帶證明)-算法筆記

文章目錄流與割定義割定義割的容量定義流的定義流量最大流尋找算法引理貪心算法最大流等於最小割證明(重點)代碼示例 流與割定義 割定義 對於圖Graph(V,E) s-t割是對頂點集V的一個劃分,使得s屬於A,t屬於B. 割的容量定義

原创 RNN-文本分類系列(二)

第二站textRNN 在上節講解CNN的結構中,我們知道,CNN有諸多好處,但有一個限制就是,他們的輸入必須是固定size的向量。即不能爲變長的。 並且CNN不能捕獲過長的上下文結構,比如上節中我們提到的用卷積核的尺寸決定了詞上下

原创 textCNN 文本分類系列-tf2.0 keras實現(一)

寫在前面:今天開始總結一下文本分類任務中常見的神經網絡模型。 第一站textCNN 文章目錄文本分類任務卷積神經網絡二維卷積運算一維卷積運算卷積層TextCNN 模型實現卷積塊模型結構 文本分類任務 文本分類任務是自然語言處理(N

原创 教你如何寫dockerfile

文章目錄dockerfile 例子指令介紹From 可以有多個,多個則創建多個鏡像Maintainer 維護則信息可省略Run 腳本CMD 啓動腳本ENTRYPOINT["可執行文件"] 而後 CMD["形參"] 分開寫EXPO

原创 GroupKFold-小記

GroupKFold是KFold一個變體,目的在於將groups嚴格分開,以減少過擬合現象。 它如何work的呢? 看下圖,group參數是通過不同的group標識符(用顏色來區分),使得訓練集和測試集在劃分時不會跨group的範

原创 最短路徑+負圈-POJ3259 蟲洞問題-圖算法基礎專項(2)

文章目錄bellman-ford最短路徑算法圖表示方法例題POJ 3259(蟲洞問題,判斷負圈是否存在)代碼 bellman-ford最短路徑算法 bellman-ford 算法,是求單源點最短路徑的算法。 我們設從起點到其他點i

原创 最短路徑-POJ2139-圖算法基礎專項

文章目錄圖的表示最短路徑問題例題POJ 2139 圖的表示 鄰接矩陣 v[i][j]v[i][j]v[i][j],i和j表示從點i到點j的距離或開銷 特點能直觀的看到兩點之前有沒有邊 缺點:可能內存開銷比較大,尤其是對於那種稀疏圖

原创 二分搜索法-POJ3258-算法筆記

二分搜索法 是一種求最優解的方法。 思路 其思路是通過二分法,不斷縮小解的可能範圍,直到最優解。 其特點是,解有一定順序特徵,比如越大越可能是解,並且解可快速驗證。 我們就可以假設,一箇中間大小的數,驗證是否是解,然後縮小一半範圍

原创 基礎動態規劃-完全揹包問題+POJ1742(遞推式優化)

完全揹包問題 一共有n種價值和重量爲vi,wiv_i,w_ivi​,wi​的物品,如果我們的揹包最大能放V的重量,那麼如何才能取價值最大呢? 這種問題規模,可以用兩種維度的變量控制, 比如 種類和體積 前i種體積爲v的最大重量dp

原创 基礎動態規劃-POJ2229-計數問題

文章目錄基礎的動態規劃原理實現方法1.記憶化搜索(遞歸的思想)2.遞推關係式3.例子步驟有關計數的動態規劃問題POJ 2229解題思路錯誤的思路正確的思路邊界條件實現 基礎的動態規劃 原理 動態規劃的思想的是把一個問題分解爲規模小

原创 基礎動態規劃-POJ2385(Apple Catching)

描述 Description It is a little known fact that cows love apples. Farmer John has two apple trees (which are convenie

原创 快速冪-(POJ3641,POJ1995)-算法筆記

文章目錄快速冪原理快速冪例子例題兩道POJ3641POJ1995 快速冪原理 快速冪顧名思義就是快速計算xnx^nxn的方法。 我們用一個栗子來了解其原理。 xnx^nxn,首先我們試着用二進制表示n,如n=b1010 n=b10

原创 TextRCNN-文本分類系列(三)

文章目錄什麼是TextRCNNtf 實現 什麼是TextRCNN 如下圖所示,就是TEXTRCNN的架構。 簡而言之就是在詞嵌入的基礎上加上了上下文環境作爲新的詞嵌入表示。 而左側和右側的context是通過前向和後向兩層RNN的