回文 随想录 训练营 序列
P9744 「KDOI-06-S」消除序列
P9744 「KDOI-06-S」消除序列 我们可以很容易发现操作 1 只可能使用一次。 先考虑序列固定的情况下的做法。 我们设 \(f_i\) 表示 \(1\sim i\) 用操作 1，\(i+1\sim n\) 不用的最小值。（\(i\) 可以取 \(0\)，表示不用操作 1） 对于前半部分，先 ......
自然语言处理预训练——用于预训练词嵌入的数据集
读取数据集 下采样 提取中心词和上下文词 下面的get_centers_and_contexts函数从corpus中提取所有中心词及其上下文词。它随机采样1到max_window_size之间的整数作为上下文窗口。对于任一中心词，与其距离不超过采样上下文窗口大小的词为其上下文词。 #@save de ......
自然语言处理预训练——近似训练
近似训练是一种用于加速训练过程的技术。 负采样 负采样是在训练过程中对目标函数进行简化的一种方法。在传统的训练中，需要计算整个词汇表的概率分布，这在大规模任务中会非常耗时。负采样的思想是通过随机采样一小部分负例来近似计算全局的目标函数。具体来说，对于每个正例（例如一个正确的词对应的上下文），从词汇表 ......
自然语言处理预训练——词嵌入(word2vec)
自然语言是用来表达人脑思维的复杂系统。 在这个系统中，词是意义的基本单元。顾名思义， 词向量是用于表示单词意义的向量， 并且还可以被认为是单词的特征向量或表示。 将单词映射到实向量的技术称为词嵌入。 近年来，词嵌入逐渐成为自然语言处理的基础知识。 为何独热向量是一个糟糕的选择？ 自监督的word2v ......
使用FP8加速PyTorch训练
现代的人工智能硬件架构(例如，Nvidia Hopper, Nvidia Ada Lovelace和Habana Gaudi2)中，FP8张量内核能够显著提高每秒浮点运算(FLOPS)，以及为人工智能训练和推理工作负载提供内存优化和节能的机会。 在这篇文章中，我们将介绍如何修改PyTorch训练脚本 ......
ChatGPT的训练费用以及成功原因
参考： https://baijiahao.baidu.com/s?id=1772914234034992726&wfr=spider&for=pc 关于ChatGPT的成功原因，引用中的回答： 益于ChatGPT商业和营销方面的成功，能够瞬间让人们目睹了大模型的可落地性，而不是继续隐匿在漫长的技术 ......
C/C++ 实现获取硬盘序列号
获取硬盘的序列号、型号和固件版本号，此类功能通常用于做硬盘绑定或硬件验证操作，通过使用Windows API的DeviceIoControl函数与物理硬盘驱动程序进行通信，发送ATA命令来获取硬盘的信息。 ......
pytorch训练过程中显存爆掉
之前学c/c++，for循环中的变量只在for循环内部有效，for循环结束，则变量也被销毁。 for(int i = 0; i < 10; ++i){ int x = i + 1; } cout << x << "\n"; //error: ‘x’ was not declared in this ......
最长回文子串
题目： 给你一个字符串 s，找到 s 中最长的回文子串。 如果字符串的反序与原始字符串相同，则该字符串称为回文字符串。 示例 1： 输入：s = "babad" 输出："bab" 解释："aba" 同样是符合题意的答案。 示例 2： 输入：s = "cbbd" 输出："bb" 提示： 1 <= s. ......
（链表）13-判断一个链表是否为回文结构
1 import java.util.*; 2 3 /* 4 * public class ListNode { 5 * int val; 6 * ListNode next = null; 7 * } 8 */ 9 public class Solution { 10 /** 11 * 12 * ......
(?=pattern) 正向先行断言 代表字符串中的一个位置，紧接该位置之后的字符序列能够匹配pattern。
以下哪些正则表达式满足regexp.test('abc') true？ A /^abc$/ B /...(?=.)/ C /[ab]{2}[^defgh]/ D /[defgh]*/ 正确答案：ACD 补充一下B的先行断言： (?=pattern) 正向先行断言 代表字符串中的一个位置，紧接该位置之 ......
[整理]赛前训练
第一场 A 是简单题，注意到矩形形成的是一个单调的阶梯，我们只需要排序然后枚举计算即可。需要注意处理一下完全包含的情况，用二维数点即可。（找单调性） B 见到树上路径，想到拆分成点到根的异或和。注意到每个点的异或和确定了，边权就都确定了（钦定 1 的异或和是 0），这样就和树的结构无关了，直接变成了 ......
通过时序和上下文对比学习时间序列表征《Time-Series Representation Learning via Temporal and Contextual Contrasting》(时间序列、时序表征、时态和上下文对比、对比学习、自监督学习、半监督学习)
现在是2023年11月14日的22:15，肝不动了，要不先回寝室吧，明天把这篇看了，然后把文档写了。OK，明天的To Do List. 现在是2023年11月15日的10:35，继续。 论文：Time-Series Representation Learning via Temporal and C ......
代码随想训练营第三十六天（Python）｜ 435. 无重叠区间、763.划分字母区间、56. 合并区间
435. 无重叠区间 class Solution: def eraseOverlapIntervals(self, intervals: List[List[int]]) -> int: intervals.sort(key=lambda x: x[0]) count = 0 for i in r ......
机器学习——序列到序列学习（seq2seq）
我们将使用两个循环神经网络的编码器和解码器， 并将其应用于序列到序列（sequence to sequence，seq2seq）类的学习任务。 编码器 由于这里使用的是门控循环单元， 所以在最后一个时间步的多层隐状态的形状是 （隐藏层的数量，批量大小，隐藏单元的数量）。 如果使用长短期记忆网络，st ......
损失函数---训练集降低，验证集升高
损失函数在训练集下降而在验证集上升，通常被称为过拟合（overfitting）的现象。 这意味着模型在训练数据上表现得很好，但在新的、未见过的数据上表现较差。过拟合可能是由于模型过于复杂，以至于学到了训练数据中的噪声或细微特征，而这些特征在验证数据中并不普遍存在。 我通过降低学习率，统一的方向 ......
青少年CTF训练平台 — CRYPTO通关WP
🚩A2-Crypto Caesar vxshyk{g9g9g099-hg33-4f60-90gk-ikff1f36953j} 凯撒解码 qsnctf{b9b9b099-cb33-4a60-90bf-dfaa1a36953e} 一组BASE cXNuY3RmezY4NjkwOGJjLTFiZjItN ......
个人编程助手: 训练你自己的编码助手
在编程和软件开发这个不断演变的领域中，对效率和生产力的追求催生了许多卓越的创新。其中一个显著的创新就是代码生成模型的出现，如 Codex、StarCoder 和 Code Llama。这些模型在生成类似人类编写的代码片段方面表现出惊人能力，显示出了作为编程助手的巨大潜力。 然而，虽然这些预训练模型在 ......
R语言多元Copula GARCH 模型时间序列预测|附代码数据
原文链接 http://tecdat.cn/?p=2623 原文出处：拓端数据部落公众号 最近我们被要求撰写关于Copula GARCH的研究报告，包括一些图形和统计输出。 和宏观经济数据不同，金融市场上多为高频数据，比如股票收益率序列。直观的来说 ，后者是比前者“波动”更多且随机波动的序列，在一元 ......
ACwing 334 K匿名序列
首先这道题很容易发现如果已经知道了最后的答案序列，那么操作顺序是无所谓的 所以我们可以假设从头操作到尾 由于题目给的是非严格递增序列，我们猜想最后的答案一定是一段一段的，段与段之间单调递增 比如1 1 1 2 2 2 2 2 3 3 4 5 5 反证：如果最终的答案序列存在\(a_{i}\)和\(a ......
基于时间频率一致性对时间序列进行自监督对比预训练《Self-Supervised Contrastive Pre-Training for Time Series via Time-Frequency Consistency》(时序、时频一致性、对比学习)
2023年11月10日，今天看一篇论文，现在17:34，说实话，想摆烂休息，不想看，可还是要看，拴Q。 论文：Self-Supervised Contrastive Pre-Training for Time Series via Time-Frequency Consistency 或者是：Sel ......
序列计数
给定 \(n(n\le10^6)\)，对于 \([0,n]\) 中的每一个 \(k\)，求出有多少个长度为 \(n\) 的 \(01\) 串，其中最长 \(1\) 连续段长度恰好为 \(k\)。 由于是 \(1\) 连续段，不妨按照每个 \(0\) 把 \(01\) 串划分为 \(i+1\) 段，即 ......
初学者如何上手服务器训练模型
拿到一个服务器很迷茫，不知道如何使用，写一份本实验室的服务器使用方法： 1下载Xshell和Xftp 现在提供了家庭/学习免费版 2安装后新建会话 3 bash命令 切换到bash界面 bash，全称Bourne Again Shell，是绝大多数Linux系统默认的命令解释器，能够处理用户所输入的 ......
解决 keras 首次装载预训练模型VGG16 时下载失败问题
解决：Exception: URL fetch failure on https://storage.googleapis.com/tensorflow/keras-applications/vgg16/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h ......
代码随想训练营第三十五天打卡（Python）｜ 860.柠檬水找零、406.根据身高重建队列、452. 用最少数量的箭引爆气球
860.柠檬水找零 class Solution: def lemonadeChange(self, bills: List[int]) -> bool: five, ten, twenty = 0, 0, 0 for bill in bills: if bill == 5: five += 1 e ......
SnakeYaml反序列化漏洞研究
一、SnakeYaml简介 SnakeYaml是Java中解析yaml的库，而yaml是一种人类可读的数据序列化语言，通常用于编写配置文件等。 YAML 的语法和其他高级语言类似，并且可以简单表达清单、散列表，标量等数据形态。它使用空白符号缩进和大量依赖外观的特色，特别适合用来表达或编辑数据结构、各 ......
NLP文本生成全解析：从传统方法到预训练完整介绍
本文深入探讨了文本生成的多种方法，从传统的基于统计和模板的技术到现代的神经网络模型，尤其是LSTM和Transformer架构。文章还详细介绍了大型预训练模型如GPT在文本生成中的应用，并提供了Python和PyTorch的实现代码。 关注TechLead，分享AI全维度知识。作者拥有10+年互联网 ......