最短路径 BFS求无权图的单源最短路径 简介 直接进行广度优先遍历 使用两个数组，一个记录最短路径值，一个记录到这个顶点的直接前驱 只能用无权图 迪杰斯特拉算法 简介 dijkstra算法是一种一步一步找出最短路径的方法，核心思路就是从初始点开始，一步一步从已确定路径中选取最短的路径作为新的最短路径，并加入新已确定顶点，然后执行多次 实现 我们选用三个数组，分别是标记各顶点是否已找到最短路径的finals，最短路径长度的dist，以及记录路径上的前驱的path 也就是我们每次将可到达的结点找出来，从可获取路径中找到最短路径，并将其前驱记录，标记出结点 时间复杂度为O(n^2)即O(|V...

查找 查找的衡量方法为平均查找长度 顺序查找 基本思想 是从线性表的一端开始，逐个检查关键字是否满足给定的条件。若查找到某个元素的关键字满足给定条件，则查找成功，返回该元素在线性表中的位置。若查找到表的另一端，仍未找到符合给定条件的元素，则返回查找失败的信息。 折半查找 基本思想 就是二分法 散列表 基本概念 散列函数可能会把两个或两个以上的不同关键字映射到同一地址，称这些情况为冲突，这些发生碰撞的不同关键字称为同义词。散列表建立了关键字和存储地址之间的一种直接映射关系。 散列函数不同，散列表不同 直接定址法 就是直接使用线性函数确定地址，一般不常见 除留余数法 确定一个数m，所有的数对设定的...

今天进行了CIFAR10的实战任务 importtorch fromtorchimportnn importtorch.nn.functionalasF importtorchvision importtorchvision.transformsastransforms importmatplotlib.pyplotasplt importnumpyasnp %% transform=transforms.Compose( [transforms.ToTensor(),transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))]) train_set=...

排序 插入排序 直接排序实际上就是进行比较后一步步替换 空间复杂度为O(1) 时间复杂度为O(n^2)-->两个嵌套for循环（平均） 稳定性稳定（遇到相同数字，相对位置保持不变） 希尔排序 希尔排序是通过一个常数d作为增量，然后对于相隔d个增量的记录作为子表进行排序，经过几次排序，使得整个表格基本有序后，对全体进行一次排序即可 因为同样使用常数个辅助单元，所以空间复杂度为o(1) 时间复杂度依赖于增量d，一般来说是不确定的，所以一般我们不去考虑 最后两个相同数字的相对位置也不能保证，所以稳定性也是不稳定的 交换排序 冒泡排序 不做解释，一一交换 空间O(1) 时间O(n^2) 快速排序...

数据处理 sorted(set())-->set的意思是将其提取成随机不重复序列，用于提取较多label时使用 leave_labels=sorted(set(train_data['label'])) zip将两个长度相同的可迭代对象一一对应返回元组dict将元组打包成字典 class_to_num=dict(zip(leaves_labels,range(n_classes))) 最后反向将num转化成类别 num_to_class={v:kfork,vinclass_to_num.items()} 这是一次示例,是处理叶子的图片的，此时叶子图片的大小不同，以jpg文件形...

transformer transformer架构 transformer的编码器是由多个相同的层叠加而成的，每个层都有两个子层 第一个子层是多头自注意力汇聚，第二个子层是基于位置的前馈网络 收到残差网络的启发，每个子层都采用了残差连接 transformer解码器也是由多个相同的层叠加而成的，并且层中使用了残差连接和层规范化。除了编码器中描述的两个子层之外，解码器还在这两个子层中插入了第三个子层，成为编码器-解码器注意力层， 多头注意力 多头注意力是一种特殊的使用自注意力的结构 是说同一k,v,q，希望抽取不同的信息，例如短距离关系和长距离关系 多头注意力使用h个独立的注意力池化，合并各...

学习了位置编码 位置编码 自注意力并没有记录位置信息，所以要用到位置编码，位置编码将位置信息注入到输入里 假设长度为n的序列是n×d的shpe的X，那么使用n×d的shape的位置编码矩阵P来输出X+P作为自编码输入 P\inR^{n\timesd}:p_{i,2j}=\sin(\frac{i}{10000^{2j/d}}),p_{i,2j+1}=\cos(\frac{i}{10000^{2j/d}}) 如图（比较抽象，以下是第一次理解）横坐标是输入的不同行，而线不同对应的是不同的列，也就是特征，比如第六跟第七列，是同样的图像发生了唯一，第七列到第八列就是周期发生了变化，第九列与第八列也只是...

使用pyqt与百度千帆大模型进行了结合 实现了NPC在设定场景下连续对话 代码如下 coding:utf-8 importsys fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QLabel,QLineEdit,QPushButton fromPyQt5.QtGuiimportQPixmap,QFont fromPyQt5importQtCore importPyQt5.QtGuiasQtGui fromapiimportdialogue_once,dialogue classMainWindow(QMainWindow): def__...

今天继续学习了注意力机制，尤其学了添加了attention的seq2seq模型，还学习了自注意力机制，理解了attention机制的精髓 使用注意力机制的seq2seq 之前提到使用两个循环神经网络的编码器解码器结构实现了seq2seq的学习，实现机器翻译的功能 循环神经网络编码器将可变序列转换为固定形状的上下文变量，然后循环神经网络解码器根据生成的词元和上下文变量按词元生成输出序列词元 然而不是所有的输入词元都对解码某个词元都有用，在每个解码步骤中仍使用编码相同的上下文变量 在此时attention的加入就能改变这一点，科威助力模型Bahdanau，在预测词元时，如果不是所有输入词元都相关，...

今天学习了注意力机制 什么是注意力 首先，心理学上，作为动物，想要在复杂环境下关注到需要关注的事物，机制是根据随意线索和不随意线索选择注意点 随意与不随意实际上是遂意与不遂意，也就是是否受控 例如这里的在环境中看到红色杯子，是因为杯子颜色鲜艳，会让人第一眼看到，这是不需要遂意的，而想读书带着个人意愿，是遂意的在搜索 注意力机制 像之前学习过的卷积全连接池化层都是只考虑不随意线索，更倾向于关注有特点的事物 注意力机制则显示的考虑随意线索 随意线索被称之为查询(query)——》要求，想法 每个输入是一个值(value)和不随意线索(key)的对——》环境，也就是存放一堆事物的场景 通过注...

今日学习了进行了百度千帆大模型的prompt以及api调用，进行了模型的调试，生成了UI界面的图片 importrequests importjson defmain(): url="" payload=json.dumps({ "messages":[ ] }) headers={ 'Content-Type':'application/json' } response=requests.request("POST",url,headers=headers,data=payload) print(response.text) if__name__'__main__': m...

赛题理解： 赛题任务： 输入：元宇宙仿真平台生成的前视摄像头虚拟视频数据（8-10秒左右）； 输出：对视频中的信息进行综合理解，以指定的json文件格式，按照数据说明中的关键词（key）填充描述型的文本信息（value，中文/英文均可以）； 赛题只提供了测试集，所以我们要通过预训练模型预测，或者直接使用外部数据训练后进行预测 要解题，先对视频进行抽帧，接下来就要将图像与文本进行匹配 导入所需第三方库 importpaddle fromPILimportImage fromclipimporttokenize,load_model importglob,json,os importcv2 ...

因为学习pythonweb没有学数据分析，但是比较感兴趣，所以来了 要用到的库为numpy跟pandas，介绍如下： NumPy系统是Python的一种开源的数值计算扩展，这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表结构要高效的多（该结构也可以用来表示矩阵（matrix））。 pandas是基于NumPy的一种工具，该工具是为解决数据分析任务而创建的。Pandas纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。它是使Python成为强大而高效的数据分析环境的重要因素之一。 载入数据，载入数据...

使用工具 auto_ml 它主要将机器学习中所有耗时过程自动化，如数据预处理、最佳算法选择、超参数调整等，这样可节约大量时间在建立机器学习模型过程中。 进行自动机器学习 使用的库为pycaret pycaret——》开源机器学习库 不好用 从数据准备到模型部署一行代码实现 可以帮助执行端到端机器学习试验无论是计算缺失值编码分类数据实施特征工程超参数调整还是构建集成模型都非常方便 使用前新建虚拟环境： scikit-learn0.23.2 pycaret跟auto-ts有冲突 根据要解决的问题类型，首先需要导入模块。在PyCaret的第一个版本中，有6个不同的模块可用--->回归、分类、聚...

Ttask任务 PperformancemeasureP度量系数 Eexperience经验 监督学习 回归与分类问题 连续离散 无监督学习 没有标签的分类 例如新闻分类将相关的新闻都放在一起 聚类算法 鸡尾酒会问题 麦克风中两个声音进行分离 代价函数 parameter是函数的参数 要做的就是得到参数值让函数尽可能拟合数据 在参数更新过程中要让损失函数降低 回归常用平方误差函数——》二分之一差的平方 梯度下降算法 最小化代价函数 朝向梯度最大的地方下山 需要所有参数更新一遍后进行一次梯度下降(同步更新) $$\theta_j=\theta_j\alpha\frac{\partial}{\pa...

深度学习环境安装 在之前做数据分析就已经安装过anaconda，所以不安装miniconda 安装完成之后，由于国内的pip太慢，所以要更换镜像源 上海交通大学Linux用户组软件源镜像服务(sjtu.edu.cn) 然后经过一些配置之后 安装git也弄过了 国内git速度巨慢无比，加速在此GitHubProxy代理加速(ghproxy.com) 数学基础学习了高等数学中的微积分模块与对于梯度的学习，链式法则，补习了线代范式内容，后续会更新数学笔记 课程环境搭建 已搭建成功 准备工作 数据操作 张量 张量表示一个由数值组成的数组，这个数组可能有多个维度。具有一个轴的张量对应数学上的向量（vec...

7/20 跑通实践基线Baseline，获得自己的成绩； 2023iFLYTEKA.I.开发者大赛-讯飞开放平台(xfyun.cn) 比赛要求 提供了电炉17个温区的实际生产数据，分别是电炉上部17组加热棒设定温度T1-1T1-17，电炉下部17组加热棒设定温度T2-1T2-17，底部17组进气口的设定进气流量V1-V17，选手需要根据提供的数据样本构建模型，预测电炉上下部空间17个测温点的测量温度值。 大佬为我们提供了开盒即用的baseline，我们可以选择直接在paddlepaddle平台basekline开盒即用运行得到结果 也可以直接copy代码在自己电脑跑通 导入所需的库 im...

线性代数 数学知识 之前已经了解了表示标量向量矩阵的方法,接下来不算总结，仅为摘要书上内容 线性代数计算的实现 1.矩阵转置 .t 例子: A=torch.arange(20).reshape(5,4) A tensor([[0,1,2,3], [4,5,6,7], [8,9,10,11], [12,13,14,15], [16,17,18,19]]) A.T tensor([[0,4,8,12,16], [1,5,9,13,17], [2,6,10,14,18], [3,7,11,15,19]]) 2.降维 .sum 对于向量，降维就是访问sum x=torch.arang...

初探防御性编程 对于在刷题时遇到的一个小问题引发的学习 最近在力扣上尝试了有名的种花问题，也是世间流传的男厕不相容定律的问题： 假设有一个很长的花坛，一部分地块种植了花，另一部分却没有。可是，花不能种植在相邻的地块上，它们会争夺水源，两者都会死去。给你一个整数数组flowerbed表示花坛，由若干0和1组成，其中0表示没种植花，1表示种植了花。另有一个数n，能否在不打破种植规则的情况下种入n朵花？能则返回true，不能则返回false。 对于这个问题的整体思路并不难想到，但令人崩溃的是这个问题存在了边界问题，会出现许多特例，让人难崩，在我百思不得解挣扎许久后，扔人剩下了一个特例，于是我无可奈何...

在最近学习中我们学习了两种解析方法，分别是正则表达式的re解析与BeautifulSoup解析器的使用 一、正则表达式 正则表达式是用来避免重复工作，处理有规律信息的一个有力工具 importre text="Hi,IamShirleyHilton.Iamhiswife." m=re.findall(r"hi",text) ifm: print(m) else: print('notmatch') 这是一个小实验，通过它来看，我们不难看出这是在通过某种方法寻找"Hi,IamShirleyHilton.Iamhiswife."这段话中的"hi"通过这个我们发现会有两个结果，都是hi,分别来自...