算法

为方便说明，如无特殊说明后文将PDARTS来指代该篇论文。阅读本文之前需要对DARTS有一定了解。，如果还不太清楚DARTS可以阅读 这篇文章 。 Motivation 进来有很多种NAS技术相继提出，主要有基于强化学习的，基于进化算法的，还有基于梯度下降的，不同算法有不同优缺点。本文的PDARTS就是基于梯度下降的，其实看名字也能知道它其实是对DARTS的改进算法。 DARTS算法是先在proxy dataset（如CIFAR10）上搜索cell结构，之后通过重复堆叠找到的这个cell得到最终的网络结构。直白一点就是在CIFAR10数据集上搜索一个深度为8的网络，而在ImageNet上就通过堆叠得到一个深度为20的网络，然后对这个更深的网络训练。 上述这一过程有一个很明显的缺点就是DARTS在proxy dataset上搜到的结构可能在target dataset上不是最好的，甚至表现较差。文中把这个叫做 depth gap 。 为了解决前面提到的 depth gap 问题，PDARTS提出了一种 渐进式搜索 的方法。 和其他基于DARTS算法的区别 PNAS ：PNAS是针对cell内部的operation做渐进式搜索，而PDARTS是对layer和cell中的operation做渐进式搜索 SNAS ：SNAS是为了解决训练和验证之间的bias

希尔排序 思想：图解 代码： public static void shellSort(int[] a){ int n = a.length; for(int h = n/ 2; h > 0; h /= 2){ for(int i = h; i < n; i++){ for(int j = i; j >= h ; j -= h){ if(a[j] < a[j - h]){ int temp = a[j]; a[j] = a[j-h]; a[j-h] = temp; } } } } } ***帅气的远远啊*** 来源： CSDN 作者： yuanyuan啊 链接： https://blog.csdn.net/qq_41585840/article/details/104076589

由于我之前一直强调数据结构以及算法学习的重要性，所以就有一些读者经常问我，数据结构与算法应该要学习到哪个程度呢？，说实话，这个问题我不知道要怎么回答你，主要取决于你想学习到哪些程度，不过针对这个问题，我稍微总结一下我学过的算法知识点，以及我觉得值得学习的算法。这些算法与数据结构的学习大多数是零散的，并没有一本把他们全部覆盖的书籍。下面是我觉得值得学习的一些算法以及数据结构，当然，我也会整理一些看过不错的文章给大家。大家也可以留言区补充。 一、算法最最基础 1、时间复杂度 2、空间复杂度 一般最先接触的就是时间复杂度和空间复杂度的学习了，这两个概念以及如何计算，是必须学的，也是必须最先学的，主要有最大复杂度、平均复杂度等，直接通过博客搜索学习即可。 文章推荐： 算法分析神器—时间复杂度 二、基础数据结构 1、线性表 列表（必学） 链表（必学） 跳跃表（知道原理，应用，最后自己实现一遍） 并查集（建议结合刷题学习） 不用说，链表、列表必须，不过重点是链表。 三分钟基础数据结构：如何轻松手写链表？ 以后有面试官问你「跳跃表」，你就把这篇文章扔给他 2、栈与队列 栈（必学） 队列（必学） 优先队列、堆（必学） 多级反馈队列（原理与应用） 特别是优先队列，再刷题的时候，还是经常用到的，队列与栈，是最基本的数据结构，必学。可以通过博客来学习。相关文章： 三分钟基础知识：什么是栈？

排序算法简介 排序的概念 概念 排序是计算机内经常进行的一种操作，其目的是将一组无序的数据元素调整为有序的数据元素的过程。 操作 比较 ：任意两个数据元素通过比较操作确定先后次序。 //比较数组中两个数据 if ( arr [ i ] > arr [ j ] ) //arr[i]大于arr[j] else //arr[i]小于arr[j] 交换 ：数据元素之间需要交换才能得到预期结果。 //数据交换函数 void swap ( int * a , int * b ) { int tmp = * a ; * a = * b ; * b = tmp ; } 数据量分析 内部排序： 若整个排序过程不需要访问外存，仅在内存中完成数据的调整，则称此类排序问题为内部排序。 外部排序： 若参加排序的记录数量很大，整个序列的排序过程不可能在内存中完成，则称此类排序问题为外部排序。 稳定性分析 前提 ：一组数据中出现多个相同的数据 //一组数据中出现多个相同的数据 int arr [ ] = { 9 , 1 , 5 , 6 , 4 , 10 , 5 , 8 , 7 , 3 } ; 若在原始记录序列中， ai 和 aj 的关键字相同， ai 出现在 aj 之前，经过某种方法排序后，ai的位置仍在 aj之前，则称这种排序方法是稳定的； 反之，若经过该方法排序后， ai的位置在 aj 之后

　　　　　　　　　　　　　　　　　　　　无线传感器网络中的节点定位技术 　　无线传感器网络的许多应用要求节点知道自身的位置信息，才能向用户提供有用的检测服务。没有节点位置信息的监测数据在很多场合下是没有意义的。比如，对于森林火灾检测、天然气管道监测等应用，当有事件发生时，人们关心的一个首要问题就是事件发生在哪里，此时如果只知道发生了火灾却不知道火灾具体的发生地点，这种监测没有任何实质的意义，因此节点的位置信息对于很多场合是至关重要的。 　　在许多场合下，传感器节点被随机部署在某个区域，节点事先无法知道自身的位置，因此需要在部署后通过定位技术来获取自身的位置信息。目前最常见的定位技术就是GPS（Global Positioning System）了，它能够通过卫星对节点进行定位，并且能够达到比较高的精度。因此要想对传感器节点进行定位，最容易想到的方法就是给每个节点配备一个GPS接收器，但是这种方法不适用于传感器网络，主要原因有以下几点： 　　1）GPS接收器通常能耗高，而对于无线传感器网络中的节点来说，一般能耗很有限，给每个节点配备一个GPS接收器会大大缩短网络寿命； 　　2）GPS接收器成本比较高，给无线传感器网络中的每个节点配备一个GPS接收器，需要投入很大成本，尤其对于大规模的无线传感器网络来说不是很适合； 　　因此有必要研究适合无线传感器网络的定位技术

栈 1.push 2.pop 3.top 4.size 注意：遍历打印栈空间时不要用for循环size(),因为栈的size()时在改变的，输出会少很多数据 cout << "s.size()=" << s.size() << endl; for(int i = 0; i < s.size(); ++i) { cout << s.size() << endl; cout << s.top() << " "; s.pop(); } 用while+empty()即可： while (!s.empty()) { cout << s.top() << " "; s.pop(); } 栈的一些操作： //获取栈底元素 int getBottomNum(stack<int>& stack) { if (stack.empty()) return -1; int res = stack.top(); stack.pop(); if (stack.empty()) { return res; } else { int last = getBottomNum(stack); stack.push(res); return last; } } void test01() { //移除栈底元素 stack<int> stack; for (int i = 2; i < 10; ++i) { stack

这是悦乐书的第 313 次更新，第 334 篇原创 01 看题和准备 今天介绍的是LeetCode算法题中Easy级别的第182题（顺位题号是771）。字符串J代表珠宝，S代表你拥有的石头。S中的每个字符都是你拥有的一种石头。计算S中有多少石头也是珠宝。J中的字符不会重复出现，J和S中的所有字符都是英文字母。字母区分大小写，因此“a”被认为是与“A”不同类型的石头。例如： 输入：J =“aA”，S =“aAAbbbb” 输出：3 输入：J =“z”，S =“ZZ” 输出：0 注意 ： S和J将由字母组成，长度最多为50。 J中的字符不会重复出现。 本次解题使用的开发工具是eclipse，jdk使用的版本是1.8，环境是win7 64位系统，使用Java语言编写和测试。 02 第一种解法 题目的意思是计算出J中的每个字符，在S中出现的次数之和。因为J中的字符不会有重复值，所以可以直接计算，不用担心计算失真。因为是英文字母，所以可以直接使用整型数组，以S中每个字符代表的ASCII值来作为索引，出现次数为值，然后遍历该数组，再以J的每个字符作为索引，累加对应的元素值即可。 public int numJewelsInStones(String J, String S) { int[] arr = new int[128]; for (char ch : S.toCharArray())

版权声明：本文为博主原创文章，未经博主同意不得转载。 https://blog.csdn.net/u012515223/article/details/36869869 数字在排序数组中出现的次数 代码(C) 本文地址: http://blog.csdn.net/caroline_wendy 题目: 统计一个数字在排序数组中出现的次数. 通过 折半查找 , 找到首次出现的位置, 再找到末次出现的位置, 相减就可以. 时间复杂度O(logn). 代码: /* * main.cpp * * Created on: 2014.6.12 * Author: Spike */ /*eclipse cdt, gcc 4.8.1*/ #include <stdio.h> #include <stdlib.h> #include <string.h> int GetFirstK (int* data, int length, int k, int start, int end) { if (start > end) return -1; int middleIndex = (start + end)/2; int middleData = data[middleIndex]; if (middleData == k) { if ((middleIndex>0 && data[middleIndex

宽动态红外图像增强算法综述 回顾过去 带你回顾宽动态红外图像增强算法的历史进程，历来学者的一步步革命（新的算法框架提出），一步步改革（改进优化），从简单粗暴到细致全面。 正所谓是：改革没有完成时，只有进行时。没有完美的算法，也没有最好的算法，只有更好更优秀的算法。 展望未来 以现在看90年代的算法，那时候的算法是有点粗糙，但是正是在这一点点的积累上，才有了现在较之优秀完美的算法。 正所谓是：站在巨人的肩膀，我们看得更远，不积跬步无以至千里。 目录 为什么需要该算法？ 摘要 主要的三类算法思路大致介绍 第一类：基于映射的宽动态图像增强算法 第二类：基于图像分层的宽动态图像增强算法 第三类：基于梯度域的宽动态图像增强算法 三类算法的对比与优缺点分析 1.关于为什么需要宽动态红外图像增强算法？ 详见我之前的文章《数字细节增强算法的缘由与效果（我对FLIR文档详解）》 https://blog.csdn.net/hahahahhahha/article/details/102978112. 2.摘要： 从三类算法开始介绍，基于映射的宽动态图像增强算法，基于图像分层的宽动态图像增强算法，基于梯度域的宽动态图像增强算法。 3.主要的三类算法思路大致介绍 早期的算法（大概1999年之前），主要是基于映射的。实现简单，复杂度低，但是细节不够凸显。 为此，学者提出了基于图像分层的算法

1.目标检测算法分类： Two stage： 1）先生成Region Proposal， 2）通过卷积神经网络进行分类。 步骤：特征提取 ——> 生成Region Proposal ——> 分类/回归 代表算法：R-CNN、 Spp-Net、Fast R-CNN、Faster-RCNN，MTCNN等。 One stage 1）直接提取特征来预测物体的类别和位置。 步骤：特征提取 ——> 分类/回归 代表算法: YOLOv1、v2、 v3, SSD, RetinaNet等 2.相关术语 bounding box ：给出物体在图片中的定位区域 一般表示为: (x1,y1,w,h) , 其中(x1,y1) 为左上角的点。一般分为待预测的框和已经标定的框，其中已经标定的框称为ground truth。 loU (Intersection of Union)： 两个bounding box的重叠程度= (A交B) / (A并 B)，用于评价算法测的结果和真实结果(人工标注的ground truth)的差别，范围[0,1]， 交并比越大，两个包围盒的重叠程度越高。有几种iou的算法，可百度一下。 nms(非极大值抑制)： 通过计算iou，从一堆候选框中去掉重复的候选框。 （注意这里是非极大值抑制而非最大值抑制，原因在于多目标检测时的多堆候选框） mAP (mean average