梯度csp
CSP-J/S 2023 游记
Day -1.5 晚上在 apple 那里考试，笑死，黄题都场切不了。 Day -1 上午 CJ 放假，于是摆了一上午图寻。现在回想起来，我那天上午是不是疯了。 下午训练，竟然能写出来倍增 lca、kmp 和 Tarjan 的板子了（虽然会但是考场上没写出来过）。 从书包里翻出了几个悠哈的巧克力牛奶 ......
CSP2023游记
CSP2023游记 Day -3 去一中试机，顺便打了一场模拟赛。写了 T1，T2，T4，感觉良好 （？）。T3 赛后看了题解，发现就是一个链表还比较水的题，说明有很多学过的知识忘了，准备之后复习。 Day -1~0 学校开运动会，但是我不是很感兴趣，就去了机房。回顾了很多之前的算法，把几乎所有学过 ......
神经网络优化篇：理解mini-batch梯度下降法（Understanding mini-batch gradient descent）
理解mini-batch梯度下降法 使用batch梯度下降法时，每次迭代都需要历遍整个训练集，可以预期每次迭代成本都会下降，所以如果成本函数\(J\)是迭代次数的一个函数，它应该会随着每次迭代而减少，如果\(J\)在某次迭代中增加了，那肯定出了问题，也许的学习率太大。 使用mini-batch梯度下 ......
机器学习-梯度下降法
1、名称解释 （1）什么是无约束优化问题？ 无约束优化问题是指在给定目标函数的情况下，寻找使目标函数取得最大值或最小值的变量取值，而不受任何约束条件限制的优化问题。 具体来说，无约束优化问题可以形式化地表示为以下形式： 最小化 f(x)，其中 x 是 n 维向量，f(x) 是一个实值函数，称为目标函 ......
解决 clamp 函数会阻断梯度传播
开端 若在网络的 forward 过程中使用 clamp 函数对数据进行截断，可能会阻断梯度传播。即，梯度变成零。 不妨先做一个实验。定义一个全连接网络 fc，通过输入 input_t 获得结果 pred，其值为 \(0.02\)： from torch.nn import functional a ......
CSP2023 游记
两个都报了。 CSP2023 RP++ Day 1（9.16） 上午空调有点冷啊，30 min 才做完。做完后还纠结了那个二叉树好几分钟，然后直接摆烂。 中午看 lry 玩原，下午有点困。打提高那个复杂度的极限不知道是 \(\ln\ln n\)，写最后一题时脑袋很昏，怒挂。 9.17- 摆。 9.2 ......
神经网络优化篇：详解Mini-batch 梯度下降（Mini-batch gradient descent）
Mini-batch 梯度下降 机器学习的应用是一个高度依赖经验的过程，伴随着大量迭代的过程，需要训练诸多模型，才能找到合适的那一个，所以，优化算法能够帮助快速训练模型。 其中一个难点在于，深度学习没有在大数据领域发挥最大的效果，可以利用一个巨大的数据集来训练神经网络，而在巨大的数据集基础上进行训练 ......
神经网络优化篇：梯度检验应用的注意事项（Gradient Checking Implementation Notes）
梯度检验应用的注意事项 分享一些关于如何在神经网络实施梯度检验的实用技巧和注意事项。 首先，不要在训练中使用梯度检验，它只用于调试。意思是，计算所有\(i\)值的\(d\theta_{\text{approx}}\left[i\right]\)是一个非常漫长的计算过程，为了实施梯度下降，必须使用\( ......
CSP 2023 游记
DAY -? 初赛J91,S51，以为过不了了，于是准备摆烂放弃。 DAY -?? S补录过了！！！ DAY 0 上午考了最后一场模拟赛，竟然是普转提。T1随便进制转换。T2拼三角形， \(n\) 只有 \(12\)，感觉可以贪心，随便排了个序+二分过掉小样例，但是没有大样例，于是开T3。突然感觉不 ......
P9754 [CSP-S 2023] 结构体 题解
首先，我们需要想清楚要维护哪些信息，把每一种类型（包括基本类型）用结构体维护，里面存： 类型的对齐规则 占用长度 元素个数 每个元素的名字、起始位置、类型 元素名到编号的映射 struct node{ int dq;//对齐规则 ll sz;//长度 int num;//data numbers s ......
P8817 [CSP-S 2022] 假期计划 题解
我们要求 \(1 \to A \to B \to C \to D \to 1\) 的点权和最大值，直接暴力枚举 \(4\) 个点 \(\mathcal {O(n^4)}\) 肯定是不行的。但是观察到前两个点与后两个点是对称的，于是我们可以枚举两组点进行配对，即 \(\text {Meet in th ......
csp2023游寄
省流 j没AK，sT1挂了，准备AFO Day -114514 初赛，考场出来感觉接近满分，然后s完善程序10错5. 没有意外，过了。 Day 1 普及 初三了，今年普及一定要AK啊（buff 1）。 开题，T1傻子数学题，\(10\) 分钟就过了。 T2贪心，还想了一个假贪心，幸好没打完就发现了（ ......
P9755 [CSP-S 2023] 种树 题解
P9755 upd on 2023.11.20：增加细节说明。 刚开始浪费太多时间了，导致赛时没调出来，有点火大。 如果一开始没有头绪的话可以先看一下特殊性质，链是直接贪心。 考虑一下菊花，发现直接贪心是不可做的，但是发现树的高度随时间增大而增大，可以用二分转化为判定性问题解决。 对于任意的树来说， ......
P9753 [CSP-S 2023] 消消乐 题解
P9753 法一： 这是赛时想法。 考虑 dp。 令 \(f_i\) 表示 \(i\) 为右端点的合法子串个数，则答案为 \(\sum\limits_{i=1}^{n}f_i\)。 赛时想过匹配指针不断跳的，但当时没敢写，用了一种更直观的方法。 仿照于括号序列，合法的子串只能为 \(cAc\) 或 ......
神经网络优化篇：详解梯度检验（Gradient checking）
梯度检验 梯度检验帮节省了很多时间，也多次帮发现backprop实施过程中的bug，接下来，看看如何利用它来调试或检验backprop的实施是否正确。 假设的网络中含有下列参数，\(W^{[1]}\)和\(b^{[1]}\)……\(W^{[l]}\)和\(b^{[l]}\)，为了执行梯度检验，首先要 ......
强化学习算法中的梯度和更新公式在代码的哪里体现？
这些一般在算法的更新函数中体现，即训练--优化中体现。 一般以损失的形式表现，然后调用loss.backward()函数进行优化。 计算损失 反向传播 梯度下降 调用优化器的step函数实现。 如果公式中有期望那么就需要mean函数 ......
神经网络优化篇：详解梯度的数值逼近（Numerical approximation of gradients）
在实施backprop时，有一个测试叫做梯度检验，它的作用是确保backprop正确实施。因为有时候，虽然写下了这些方程式，却不能100%确定，执行backprop的所有细节都是正确的。为了逐渐实现梯度检验，首先说说如何计算梯度的数值逼近。 先画出函数\(f\)，标记为\(f\left( \thet ......
神经网络优化篇：详解梯度消失/梯度爆炸（Vanishing / Exploding gradients）
梯度消失/梯度爆炸 训练神经网络，尤其是深度神经所面临的一个问题就是梯度消失或梯度爆炸，也就是训练神经网络的时候，导数或坡度有时会变得非常大，或者非常小，甚至于以指数方式变小，这加大了训练的难度。 接下来，将会了解梯度消失或梯度爆炸的真正含义，以及如何更明智地选择随机初始化权重，从而避免这个问题。 ......
P9753 [CSP-S 2023] 消消乐 题解
这里是被说烂了的随机化线性做法。 相信大家都已经做过 QOJ 6504，因此我们考虑采用类似的办法通过此题。我们对每个字符随机一个 \(k\times k\) 的矩阵，并求出其矩阵的逆。 然后，我们在偶数位放原矩阵，在奇数位放逆矩阵，这样，一段区间合法当且仅当这段区间的矩阵积为单位矩阵 \(I\)， ......
CSP-S 题解
非考场上想出来的会标星号。 T1 密码锁 鲜花：我看到这道题的时候满脑子想的都是春测的 lock。 考虑到只有五个拨圈，每个拨圈只有 \(10\) 个状态，\(n\le 8\)，那么直接暴力枚举每个状态即可。 考场代码： // 15: 00 // 15: 24. #include<bits/stdc ......
HL 迷惑行为大赏（2023 CSP-S）
HL 迷惑行为大赏（哈尔滨考点） 请注意，下面的 **** 均非原始代码，而是因为不可抗力因素略去了。 空文件大赏 T1 不写人 ./HL-S00002/lock/lock.cpp No data found. ./HL-S00007/lock/lock.cpp No data found. ./H ......
CSP - J理论（1）
$1、排列组合与概率$ $大纲$ $\large\color{black}\text{1.排列}$ $\large\color{black}\text{2.组合}$ $\large\color{black}\text{3.概率}$ $排列$ $排列:n个数的排法,从第1位到第n位,每一个位置有n-i ......
策略梯度
策略梯度呢，顾名思义，策略就是一个状态或者是action的分布，梯度就是我们的老朋友，梯度上升或者梯度下降。 就是说，J函数的自变量是西塔，然后对J求梯度，进而去更新西塔，比如说，J西塔，是一个该策略下预测状态值，也可以说是策略值，那么我们当然希望这个策略值越大越好，于是就要使用梯度上升，来不断更新 ......
[CSP-S 2023] 密码锁
题目描述 小 Y 有一把五个拨圈的密码锁。如图所示，每个拨圈上是从 \(0\) 到 \(9\) 的数字。每个拨圈都是从 \(0\) 到 \(9\) 的循环，即 \(9\) 拨动一个位置后可以变成 \(0\) 或 \(8\)， 因为校园里比较安全，小 Y 采用的锁车方式是：从正确密码开始，随机转动密码 ......
electron的渲染进程使用axios时被csp安全拦截的解决方案
1、问题出现场景 脚手架用的是electron-vite，渲染进程是vue3+pinia+vue-router，http请求是使用的axios，在发起请求时发现控制台报csp问题 2、原因分析 csp其实就是跨域问题，不支持非同源的资源访问，以往开发普通的vue项目时因为有脚手架里的代理，所以不会出 ......
机器学习笔记（一）从波士顿房价预测开始，梯度下降
从波士顿房价开始 目标 其实这一章节比较简单，主要是概念，首先在波士顿房价这个问题中，我们假设了一组线性关系，也就是如图所示 我们假定结果房价和这些参数之间有线性关系，即: 然后我们假定这个函数的损失函数为均方差，即： 那么就是说，我们现在是已知y和x，来求使得这个损失函数Loss最小化的一个w和b ......
[CSP-J 2023] 旅游巴士
题目描述 小 Z 打算在国庆假期期间搭乘旅游巴士去一处他向往已久的景点旅游。 旅游景点的地图共有 \(n\) 处地点，在这些地点之间连有 \(m\) 条道路。其中 \(1\) 号地点为景区入口，\(n\) 号地点为景区出口。我们把一天当中景区开门营业的时间记为 \(0\) 时刻，则从 \(0\) 时 ......
SciTech-OS-MacOS的CSP(System Integrity Protection)系统正直性保护系统
bash-3.2# csrutil usage: csrutil <command> Modify the System Integrity Protection configuration. All configuration changes apply to the entire machine ......
CSP2023游记
CSP2023游记 8：25 手忙脚乱地建好了目录文件、配置好了 DEV-C++ 的语法环境。 8：30 打开题目 8：45 看到 T1 发现不如去年简单，有些慌张，我选择了先看 T2。 9：00~9：30 发现 T2 其实就是一个贪心，于是用了半个小时做出来了。 9：30~9：50 回看 T1，发 ......