暮云林凌

摘要： 简单题，主要考察索引计算和字符遍历，没什么难度； vector<vector<int>> largeGroupPositions(string s) { vector<vector<int>> res; for (size_t i = 0; i < s.size();) { size_t index 阅读全文

摘要： 中等标签还以为有什么更厉害的解法，典型四指针一次遍历； 注意一下空结点的判定问题； ListNode* partition(ListNode* head, int x) { ListNode* h1 =new ListNode(-1); ListNode* h2 = new ListNode(-1) 阅读全文

摘要： 弱智题，没什么好说的； 五花八门写法：递归、枚举、打表、通项公式； int fib(int n) { if (n == 0) return 0; if (n == 1) return 1; return fib(n - 1) + fib(n - 2); } 阅读全文

摘要： Hard题目，之前也想到了从1开始遍历直接打表进行边界判断，但是一直设想的是寻找某种方法进行逐个元素的遍历，但是没有想到可以直接进行乘2边界判定； 值得注意的点是，看似最大边界是2的阶乘，其实不然； 如果nums数组中含有已经可以正常的元素，则边界会发生改变，究其原因题目中是指定每个元素只可以出现一 阅读全文

摘要： 简单题，没什么好说的，Hash数组+两次遍历可破； int firstUniqChar(string s) { for (int i = 0; i < s.size(); i++) { hashtable[s[i] - 'a']++; } int index = 0; for (int i = 0; 阅读全文

摘要： 降维问题： 首先需要理解的：降维的本质操作时是什么？ 之前自己理解的只是通过找到一系列新的坐标轴来表示原始数据，但是从来没有细细深究背后的数学原理； 例如对于特征空间为二维的坐标点来说，其拥有两个特征，所以在特征空间中采用（x，y）两个参变量进行表示； 但是对于我们数据分析来说，如果变化的趋势或者方 阅读全文

摘要： 矩阵奇异值分解主要应用在降维方面，和特征值分解为特征向量其实是一样的思想； 本质就是找一个低维空间，把高维空间的点映射到低维空间里面去，例如典型的PCA主成分析就用到了这一点； 特征值分解： 首先值得关注的是特征值分解问题，从特征值分解问题可以看出奇异值分解的一些思路； 通常对于数据降维来说，主要的 阅读全文

摘要： 中等难度题，如果使用最简单的层序遍历思想开数组层序遍历返回，空间复杂度会高一点； vector<vector<int>> zigzagLevelOrder(TreeNode* root) { vector<vector<int>>rvec; queue<TreeNode*>que; bool fla 阅读全文

摘要： 手动设计神经网络以及手写传播极其麻烦，所以一般采用直接反向传播autograd或者直接使用optim模块进行求解； 一般使用自动反向传播使用backward函数进行； loss = loss_fn(model(t_u, *params), t_c) loss.backward() params.gr 阅读全文

摘要： 动规问题，如果直接使用滚动数组不开空间会效率更高，所有效率可以提升百分之40左右； 状态转移方程： dp[i]=min(dp[i-1],dp[i-2])+cost[i]; class Solution { public: int minCostClimbingStairs(vector<int>& 阅读全文