num

UCF Local Contest 2015 解题报告 东华大学ACM集训队 2020年2月 A.Find the Twins 题目大意 给定长度为10的数列，若数列中只含有18，输出Mack。若只含有17，输出Zack。若同时含有18和17，输出both。若不含18和17，输出none。 题解 签到题，略。 Code #include <iostream> #include <algorithm> #include <cstring> #include <cstdio> using namespace std; int main(){ int N; scanf("%d",&N); while(N--){ bool Mack=false,Zack=false; for(register int i=1;i<=10;++i){ int x;scanf("%d",&x); printf("%d",x); if(i<10) printf(" "); if(x==18) Mack=true; else if(x==17) Zack=true; } printf("\n"); if(Mack && Zack) printf("both\n"); else if(!Mack && !Zack) printf("none\n"); else if(Mack) printf("mack\n");

1.日期之间隔几天 【思路】计算两个日期和1970-1-1之间相隔的天数，然后相减即可。需要注意闰年闰月的判断。 int getday(int *d1){ int month[12]={31,28,31,30,31,30,31,31,30,31,30,31}; int day1=0,i; for(i=1970;i<d1[0];i++){ if(i%400==0||(i%100!=0&&i%4==0)){ day1+=366; }else{ day1+=365; } } for(i=1;i<d1[1];i++){ day1+=month[i-1]; if(i==2){ if(d1[0]%400==0||(d1[0]%4==0&&d1[0]%100!=0)){ day1++; } } } day1+=d1[2]; return day1; } int* getdate(char * date){ int i,len,top=0; int *num=(int*)malloc(sizeof(int)*3); // memset(num,0,sizeof(num)); num[0]=0;num[1]=0;num[2]=0; len=strlen(date); for(i=0;i<len;i++){ if(date[i]=='-'){ top++;continue; } num[top]

一，函数是什么？ 　　函数一词来源于数学，但编程中的「函数」概念，与数学中的函数是有很大不同的，具体区别，我们后面会讲，编程中的函数在英文中也有很多不同的叫法。在BASIC中叫做subroutine(子过程或子程序)，在Pascal中叫做procedure(过程)和function，在C中只有function，在Java里面叫做method。 　　函数能提高应用的模块性，和代码的重复利用率。你已经知道Python提供了许多内建函数，比如print()。但你也可以自己创建函数，这被叫做用户自定义函数。 　　函数定义：函数是指一组语句的集合通过一个名字（函数名）封装起来，要想执行这个函数，只需要调用其函数名即可 函数特性： 代码重用 保持一致性 可扩展性 二，函数的创建 2.1格式： 　　python定义函数使用def关键字，一般格式如下： def 函数名（参数列表）: 函数体 　　举个例子： def hello(): print("hello") hello() #调用 # 结果：hello 2.2函数名的命名规则： 函数名必须以下划线或字母开头，可以包含任意字母、数字或下划线的组合。不能使用任何的标点符号； 函数名是区分大小写的。 函数名不能是保留字。 2.3形参和实参 　　形参 ：形式参数，不是实际存在，是虚拟变量，在定义函数和函数体的时候使用形参

引用： https://blog.csdn.net/weixin_42769131/article/details/88849903 该版本yolov3使用者较多，但是文章里有重要步骤遗漏，在这里补充之。 一、环境要求 tensorflow-gpu keras pycharm 二、快速使用 1、下载yolov3代码：https://github.com/qqwweee/keras-yolo3 ，并解压缩之后用pycharm打开。 2、下载权重：https://pjreddie.com/media/files/yolov3.weights并将权重放在keras-yolo3的文件夹下。如下图所示： 3、执行如下命令将darknet下的yolov3配置文件转换成keras适用的h5文件。 python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5 4、运行预测图像程序 python yolo_video.py --image 输入需要预测的图片路径即可，结果示例如下： 这样就可以实现yolov3的快速使用了。 三、训练自己的数据集进行目标检测 1、在工程下新建一个文件夹VOCdevkit，目录结构为VOCdevkit/VOC2007/,在下面就是新建几个默认名字的文件夹 Annotations，ImageSets

优化算法时间复杂度 算法的时间复杂度对程序的执行效率影响最大，在Python中可以通过选择合适的数据结构来优化时间复杂度，如list和set查找某一个元素的时间复杂度分别是O(n)和O(1)。不同的场景有不同的优化方式，总得来说，一般有分治，分支界限，贪心，动态规划等思想。 减少冗余数据 如用上三角或下三角的方式去保存一个大的对称矩阵。在0元素占大多数的矩阵里使用稀疏矩阵表示。 合理使用copy与deepcopy 对于dict和list等数据结构的对象，直接赋值使用的是引用的方式。而有些情况下需要复制整个对象，这时可以使用copy包里的copy和deepcopy，这两个函数的不同之处在于后者是递归复制的。效率也不一样：（以下程序在ipython中运行） import copy a = range(100000) %timeit -n 10 copy.copy(a) # 运行10次 copy.copy(a) %timeit -n 10 copy.deepcopy(a) 10 loops, best of 3: 1.55 ms per loop 10 loops, best of 3: 151 ms per loop timeit后面的-n表示运行的次数，后两行对应的是两个timeit的输出，下同。由此可见后者慢一个数量级。 使用dict或set查找元素 python

这个baselines项目设计的比较灵活，结构有点复杂。由于项目庞大，各个函数之间又是相互调用，有时候从一个函数追溯下去，可以追溯6,7层，每个函数的超参数又特别多，很容易把人搞晕。 接下来只看DQN部分的源码，其他无关的先不看，沿着一条线分解它！接下来进行一个递归游戏，一层一层的深入探索，探索到尽头再返回，当然中途适当剪剪枝，跟网络图无关的部分先不访问！ 首先，我们找 递归入口 ，在deepq下有个 experiments ，这下面全是实例，pong就是一个Atari游戏的实验。 以下是trian_pong的代码 1. from baselines import deepq from baselines import bench from baselines import logger from baselines . common . atari_wrappers import make_atari import numpy as np np . seterr ( invalid = 'ignore' ) def main ( ) : logger . configure ( ) env = make_atari ( 'PongNoFrameskip-v4' ) env = bench . Monitor ( env , logger . get_dir ( ) ) env =

- - coding: utf-8 - - import requests import shutil import os from bs4 import BeautifulSoup def parse_page(url): """ 根据 url 下载页面并转换成 soup 对象 :param url: 页面 url 链接 :return: soup 对象 """ page = requests.get(url).content return BeautifulSoup(page, 'html.parser') def parse_page_num(soup): """ 解析页面，返回总页数 :param soup: 页面 soup 对象 :return: 总页数 """ total_page_num = 0 page_div = soup.find('div', attrs={'class': 'page'}) if page_div and page_div.span: page_span_str = page_div.span.string page_num_list = page_span_str.split(' / ') if len(page_num_list) == 2: total_page_num = int(page_num_list[1]) return

1 图像分类案例2 Kaggle上的狗品种识别（ImageNet Dogs） 在本节中，我们将解决Kaggle竞赛中的犬种识别挑战，比赛的网址是https://www.kaggle.com/c/dog-breed-identification 在这项比赛中，我们尝试确定120种不同的狗。该比赛中使用的数据集实际上是著名的ImageNet数据集的子集。 # 在本节notebook中，使用后续设置的参数在完整训练集上训练模型，大致需要40-50分钟 # 请大家合理安排GPU时长，尽量只在训练时切换到GPU资源 # 也可以在Kaggle上访问本节notebook： # https://www.kaggle.com/boyuai/boyu-d2l-dog-breed-identification-imagenet-dogs import torch import torch . nn as nn import torch . optim as optim import torchvision import torchvision . transforms as transforms import torchvision . models as models import os import shutil import time import pandas as pd import

1 批量归一化和残差网络 1.1 批量归一化（BatchNormalization） BN的作用 Internal Convariate shift（内部协变量偏移）是BN论文作者提出来的概念，表示数据的分布在网络传播过程中会发生偏移，我们举个例子来解释它，假设我们有一个玫瑰花的深度学习网络，这是一个二分类的网络，1表示识别为玫瑰，0则表示非玫瑰花。我们先看看训练数据集的一部分： 直观来说，玫瑰花的特征表现很明显，都是红色玫瑰花。 再看看训练数据集的另一部分： 很明显，这部分数据的玫瑰花各种颜色都有，其特征分布与上述数据集是不一样的。 通俗地讲，刚开始的数据都是同一个分布的，模型学习过程中，模型的参数已经适合于一种分布，突然又要适应另一种分布，这就会让模型的参数发生很大的调整，从而影响到收敛速度和精度，这就是Internal covariate shift。 而BN的作用就是将这些输入值或卷积网络的张量进行类似标准化的操作，将其放缩到合适的范围，从而加快训练速度；另一方面使得每一层可以尽量面对同一特征分布的输入值，减少了变化带来的不确定性。 对输入的标准化（浅层模型） 处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。 标准化处理输入数据使各个特征的分布相近 批量归一化（深度模型） 利用小批量上的均值和标准差，不断调整神经网络中间输出

描述 reduce() 函数会对参数序列中元素进行累积。 函数将一个数据集合（链表，元组等）中的所有数据进行下列操作：用传给reduce中的函数 function（有两个参数）先对集合中的第 1、2 个元素进行操作，得到的结果再与第三个数据用 function 函数运算，最后得到一个结果。 语法 reduce() 函数语法： reduce(function, iterable[, initializer]) 返回值 返回函数计算结果。 老方法,先给一个需求,把下面list中的数计算一个和 #用函数写法 num_l = [1,2,3,100] def reduce_test(array): res = 0 for num in array: res+=num return res print reduce_test(num_l) 上面写法问题是把计算方法写死了,所以要单独写一个函数 num_l = [1,2,3,100] def sumadd(x,y): res=x+y return res def reduce_test(func,array): res = 0 for num in array: res=func(res,num) return res print reduce_test(sumadd,num_l) 最后采用reduce函数和匿名函数结合 print reduce