crossing self hard 335
1851. 包含每个查询的最小区间 (Hard)
问题描述 [1851. 包含每个查询的最小区间] (Hard) 给你一个二维整数数组 intervals ，其中 intervals[i] = [leftᵢ, rightᵢ] 表示第 i 个区间开始于 le ftᵢ 、结束于 rightᵢ（包含两侧取值， 闭区间）。区间的 长度 定义为区间中包含的整 ......
1851. Minimum Interval to Include Each Query (Hard)
Description 1851. Minimum Interval to Include Each Query (Hard) You are given a 2D integer array intervals, where intervals[i] = [lefti, righti] descr ......
[AAAI 2023]Self-Supervised Bidirectional Learning for Graph Matching
# Self-Supervised Bidirectional Learning for Graph Matching ## 动机 Graph Matching（GM）是个NP难问题。随着机器学习的兴起，该问题也有望被更高效地解决。然而，现有的监督学习仍然需要为了训练去计算大量的ground tru ......
Learning hard C#学习笔记——读书笔记 05
本文介绍了C#编译成IL语言（Intermediate Language）的过程，以及使用ILDasm.exe工具查看IL代码的方法。文章通过一个Hello World程序，在ILDasm.exe工具中展示了MANIFEST清单和IL代码。 ......
[Typescript] 150 Hard - OptionalUndefined
Implement the util type OptionalUndefined<T, Props> that turns all the properties of T that can be undefined, into optional properties. In addition, a ......
Learning hard C#学习笔记——读书笔记 04
## 1.什么是接口 接口可以认为是一种规范，它是一种类的构建规范，它里面定义了一系列的方法和类型，但是没有具体的实现，需要继承它的类去自我实现 ## 2.接口的定义 使用 VS2022 在解决方案管理器这里，添加新建项 在添加新建项模板这里，选择接口 最后创建出来的接口如下 ```C# using ......
834. 树中距离之和 (Hard)
问题描述 834. 树中距离之和 (Hard) 给定一个无向、连通的树。树中有 n 个标记为 0...n-1 的节点以及 n-1 条边 。 给定整数 n 和数组 edges ， edges[i] = [aᵢ, bᵢ] 表示树中的节点 aᵢ 和 bᵢ 之间有一条边。 返回长度为 n 的数组 answe ......
834. Sum of Distances in Tree (Hard)
Description 834. Sum of Distances in Tree (Hard) There is an undirected connected tree with n nodes labeled from 0 to n - 1 and n - 1 edges. You are g ......
Add a self-signed SSL certificate using OpenSSL
```bash sudo apt-get install openssl cd /etc/nginx sudo mkdir ssl sudo openssl req -batch -x509 -nodes -days 365 \ -newkey rsa:2048 \ -keyout /etc/ngi ......
魔法方法之__iter__(self) && __next__(self)
__iter__ __iter__(self) 是一个特殊方法，用于返回一个迭代器对象，使得自定义的类可以支持迭代操作。 最佳实践： 在自定义类中实现 __iter__() 方法时，应该返回一个迭代器对象，通常是自身的实例。 迭代器对象应该实现 __next__() 方法，用于返回容器中的下一个元素 ......
Learning hard C#学习笔记——读书笔记 03
本文介绍了C#面向对象编程语言的三个基础特征：封装、继承和多态。其中，封装可以通过public、private、protected、internal等关键字来实现，目的是保护程序内部数据的完整性；继承可以帮助实现基类的内容复用，但也要结合场景使用；多态是指相同类型对象调用相同方法却表现出不同行为，使... ......
Learning hard C#学习笔记——读书笔记 02
每每说到类，不得不介绍的就是类的定义，它是一个抽象的概念，它是一个模板，制造对象的模板 ## 1.定义一个类 ```C# class Preson { // 类的成员变量 } ``` > 默认情况下，class关键字没有显式的使用`internal`修饰符来定义类，但是没有必要这样做，默认的修饰符就 ......
[论文速览] A Closer Look at Self-supervised Lightweight Vision Transformers
## Pre title: A Closer Look at Self-supervised Lightweight Vision Transformers accepted: ICML 2023 paper: https://arxiv.org/abs/2205.14443 code: https ......
Paper Reading: Self-paced Ensemble for Highly Imbalanced Massive Data Classification
目前很多方法都不能很好地处理高度不平衡、大规模和有噪声的分类任务，主要原因是它们忽视了不平衡学习所隐含的困难。本文引入“分类硬度”的概念来刻画不平衡问题的困难所在，该概念表示为特定分类器正确分类样本的难度。基于这个概念，本文提出了一种新的学习框架——自定步速集成(self-pace Ensemble... ......
魔法方法之__getitem__(self, key)、__setitem__(self, key, value) 和 __delitem__(self, key)
1 ''' 2 __getitem__(self, key)、__setitem__(self, key, value) 和 __delitem__(self, key) 是 Python 中的特殊方法，用于定义对对象进行索引操作时的行为。 3 它们分别用于获取、设置和删除对象中的元素 4 1. _ ......
[论文速览] Hard Patches Mining for Masked Image Modeling
## Pre title: Hard Patches Mining for Masked Image Modeling accepted: CVPR 2023 paper: https://arxiv.org/abs/2304.05919 code: https://github.com/Haoch ......
【论文阅读】CrossViT：Cross-Attention Multi-Scale Vision Transformer for Image Classification
> # 🚩前言 > > - 🐳博客主页：😚[睡晚不猿序程](https://www.cnblogs.com/whp135/)😚 > - ⌚首发时间：23.7.10 > - ⏰最近更新时间：23.7.10 > - 🙆本文由 **睡晚不猿序程** 原创 > - 🤡作者是蒻蒟本蒟，如果文章里有 ......
CF1702G2 Passable Paths (hard version)
## 思路 题意：判断是否存在一条链包含树上给定点集。 考虑把 $1$ 当做树的根，将无根树转化为有根树。 考虑这样一个性质：若存在满足条件的最短链，则点集中深度最深的点 $u$ 是该链的一个端点，点集中距离 $u$ 最远的点 $v$ 是该链的另一端点。 >证明：若点 $u$ 不是链的端点，则 $u ......
牛客练习赛113 D 小红的数组操作(hard version)
题目要求求出最小的总代价使得平均数为整数，转换式子可得实际就是求出a,b使得(a*x-b*y+sum)%n==0且a*p+b*q要最小，平均值的为sum/n,因此对sum进行操作使其成为n的倍数即可 (a*x-b*y+sum)%n==0 =>((a*x+sum)%n-b*y%n)%n==0 因为(a ......
【论文阅读】CrossFormer: A Versatile Vision Transformer Based on Cross-scale Attention
来自CVPR 2021 论文地址：https://link.zhihu.com/?target=https%3A//arxiv.org/pdf/2108.00154.pdf 代码地址：https://link.zhihu.com/?target=https%3A//github.com/cheers ......
4.1 Self-attention
# 1. 问题引入 我们在之前的课程里遇到的都是输入是一个向量,输出是类别或者标量.但如果输入是向量的集合且向量长度还会变化,又应该怎么处理呢?  解决Cros ......
什么是 Kernel Smoother ？它与 Self Attention 有什么关系？
[1] **带权滑动平均（Weighted Moving Average, WMA）** 是标量场上的滑动窗口内的加权平均，数学上等价于卷积。[^WMA] [2] **Kernel Smoother** 是一种特殊的 WMA 方法，特殊在于权重是由**核函数**决定的，相互之间越接近的点具有越高的权 ......
Self-Instruct 论文解读：利用大模型自己给自己生成指令数据，指令数据自动生成
## 总览 大规模“指令调整”的语言模型，即**指令微调的LLM**，已经表现出非凡的**零样本能力**，尤其是推广**新任务上**。 然而，这些模型严重依赖于人类编写的指令数据，而这些数据通常在数量、多样性和创造力方面受到限制，因此阻碍了调整模型的通用性。 基于上述背景，作者提出了**Self-i ......
P7526 Virtual Self
把每个 $v_i$ 当成 $v_i$ 个 $x_i$，对这 $n=\sum v_i$ 所有多项式分别做 FWT，我们的答案相当于是从中选 $m$ 个乘起来，对所有这样的情况加和，再 IFWT。 考虑到这样的多项式做 FWT 之后每项都是 $\pm1$。我们考虑某一项所有的多项式里一共有 $t$ 个 ......
354. Russian Doll Envelopes (Hard)
Description 354. Russian Doll Envelopes (Hard) You are given a 2D array of integers envelopes where envelopes[i] = [wi, hi] represents the width and t ......
354. 俄罗斯套娃信封问题 (Hard)
问题描述 354. 俄罗斯套娃信封问题 (Hard) 给你一个二维整数数组 envelopes ，其中 envelopes[i] = [wᵢ, hᵢ] ，表示第 i 个信封的宽度和高度。 当另一个信封的宽度和高度都比这个信封大的时候，这个信封就可以放进另一个信封里，如同俄罗斯套娃一样。 请计算 最多 ......
Self-attention with Functional Time Representation Learning
[TOC] > [Xu D., Ruan C., Kumar S., Korpeoglu E. and Achan K. Self-attention with functional time representation learning. NIPS, 2019.](http://arxiv.or ......
关于 cross-env 和 process.env
cross-env kentcdodds/cross-env: 🔀 Cross platform setting of environment scripts (github.com) 主要是解决在不同操作系统上，给程序传入环境变量的问题。 保证了跨平台兼容性和命令行的一致性，简化了配置，使环境变 ......