快速排序的核心思维就是“分而治之”,就像封建王朝的“分封制”。将一大块“领土”,依据“嫡庶长幼”,分为不同部分,各个部分在自行细分,直到分无可分之后,便等级森严了。 堆排、选排、归并等一系列排序方法尽在:【C++】算法集锦(1):八大排序算法 :GIF + 亲测代码 +专项练习平台 ---- 递归算法 1、明确你要干嘛 2、明确递归的结束条件 3、寻找递推关系式 4、 示例: 输入: s = 7, nums = [2,3,1,2,4,3] 输出: 2 解释: 子数组 [4,3] 是该条件下的长度最小的连续子数组。 4、结果数组往后遍历一格,将值加入 t 当中。 5、回到第二步,直到结果序列的屁股顶到原序列的末位。 6、返回保留的最短子序列 的长度。 如果只有两个物品,一个4Kg,值8¥;一个15Kg,值10¥;很明显前面那个性价比高,但是显然我们要选的是后面这个。 这种题目,实在让人很懵逼,就好像千头万绪,但是所有思路都被自己给否定了。
我就总想不到这种做法……” 这个问题像一把钥匙,打开了我对“抽象思维”的一次思考。 这不是一个技术细节问题,而是认知方式的区别。 今天,我写下这篇文章,分享我的理解:抽象,是每位工程师必须修炼的核心思维肌肉。 01 抽象是什么?不是“提取重复代码”而已 许多初学者理解抽象是“把重复代码抽成一个方法”。 /* PDF逻辑 */ } public void generateExcel() { /* Excel逻辑 */ } } // 抽象思维后的结构 02 抽象思维的成长路径 ️ 阶段一:反向工程你的“抽象力” 临摹成熟项目,反推作者“为什么要抽象” 建议练习: 选择Spring、MyBatis源码片段 手动画出类图、接口结构 写下作者“当时为什么这样设计 从今天开始,你可以: 建立【抽象思维训练日志】 每周2小时刻意训练 和同事组成“抽象小组”,互相拆解架构设计 每次写新功能前问自己:是否存在“未来变化”的可能?
AI的核心价值在于其强大的模式识别和重复任务处理能力,而人类则擅长于创造性思维、复杂判断与情感交互。二者的结合,才是未来工作的最佳形态。让AI去处理确定性任务,人类更多聚焦不确定性创新。 这种认知升级的关键在于:让AI从文档检索员升级为思维伙伴。 我们要将AI定位为“思维催化剂”而非“答案提供者”。当我们与AI进行多轮“假设-验证”对话时,创新往往在思维碰撞中迸发。五、持续进化:AI赋能自我提升闭环对于架构师来说,持续学习与能力进化是职业核心。 它让经验沉淀更高效,让能力跃迁更可控。六、未来展望:AI协同时代的个人竞争力重构随着AI技术的发展,未来的个人竞争力将不再是单纯的技术能力,而是与AI协同的能力。 当AI深度融入工作流,架构师的核心能力正在重构:从代码编写转向系统思维,从经验驱动转向数据决策,从单兵作战转向人机协同。
职场跃迁的关键,不是你会的工具更多,而是你的判断力有没有被系统地沉淀成组织离不开的资产。 Skill 思维,就是实现这件事的方法论。 二、什么是"Skill 思维" Skill 思维不是一个工具,是一种思考框架。 它的核心问题只有一个: "我的经验,在我不在场的时候,还能发挥价值吗?" 层次三:从"执行者"到"知识架构师" 这是跃迁的核心。 执行者的价值问题是:"你能做什么?"答案是操作层面的——我能写 Playwright、我能做接口测试、我能搭 CI 流水线。 六、Skill 思维在绩效评估中的话语权 最后说一个很现实的问题:Skill 思维如何在职场评估中体现价值。 结语 职场跃迁从来不是靠学会更多工具实现的,而是你愿不愿意把自己的判断力,从一种会随着你离开而消失的形态,转化成一种会随着团队成长而增值的形态。Skill 思维就是这个转化过程的方法论。
结合个人思维实践回答下如何提升自己的思维能力这个问题。思维能力是一个人核心竞争力的重要体现,它不仅决定了我们分析问题和解决问题的效率,更影响着我们对事物的认知深度和决策质量。 思维能力的本质认知 思维如果简单说成思考,就少了很多意境,思维这个词本身就很好地体现了动静两个重要属性,思即是动态的一种脑力活动,而维则是维度,事物静态的维度和内在结构。 对于思维常见的说法和分类很多,包括了结构化和非结构化思维、逻辑思维、辩证思维、逆向思维、发散思维、系统思维、抽象思维、批判思维等。 而对于思维本身而言应该主要分为两种类型的思维,一种思维为选择或决策类思维,一种思维为分析和解决问题的思维,这是我们平常所接触到的最常见的两种思维模式。 思维之基础是解决问题,思维之升华是更好地解决问题,思维之创新是发现新问题。发现前人所没有发现的问题,所没有意识到问题的存在远远比无法解决问题更加严重。
"没有产品思维的程序员很难度过35岁危机,如果你有产品思维,也许以后你是领导,如果不是,你还可以创业。" 在AI工具逐渐替代初级编码的今天,产品思维已成为程序员突破职业天花板的核心竞争力。本文将通过真实转型案例、实战方法论和避坑指南,带你完成从技术执行者到价值创造者的思维跃迁。一、什么是产品思维? 产品思维的本质产品思维是一种以用户为中心,通过需求洞察、商业闭环设计、持续迭代优化,最终创造用户价值与商业价值的系统化思维方式。 "功能实现差异化竞争瑞德丰"老板思维":蜜雪冰城极致性价比策略占领下沉市场程序员思维vs产品思维对比维度 程序员思维 产品思维 核心目标 '到'决策者思维'的转变。
比较零散,我写一个侧重于从R-CNN到Mask R-CNN设计思路是如何演变的,对R-CNN、Fast R-CNN、Faster R-CNN和Mask R-CNN四篇巨作有一个宏观上的认知,R-CNN系列的思维跃迁堪称科研教科书 如右下图,RoIAlign切分bin的时候不进行量化,每个bin划分成2x2(4个红色x标记),每个红色x通过最相邻的4个像素值进行双线性插值计算,得到每个bin的4个插值,最后通过max pooling 但是Mask R-CNN最重要的贡献其实是提高了人们对实例分割任务思维上的认知。 无论是从设计思维,洞察力和科研敏锐性上,都无可挑剔。 (ps:R-CNN的文章,看起来粗糙,实则干货满满;现在的文章都一个模子刻出来的一样,看起来精致,实则同质化严重) 最后,我想说的是计算机视觉中,从R-CNN到Mask R-CNN的思维跃迁是我最爱看的
样例输入113514121481206811610573859213输出4分析:解题思路这是一个经典的活动选择问题(ActivitySelectionProblem),属于贪心算法的典型应用。 其中a1=1,a2=2,a3=4,a4=7,a5=11,a6=16,……令Si=a1+a2+……+ai,求Sn的值输入描述一行包含一个整数n,输出描述输出一个整数,表示Sn的值,因为Sn的值可能特别大, 解题思路数列规律分析:观察数列a的前几项:a1=1a2=a1+1=2a3=a2+2=4a4=a3+3=7a5=a4+4=11a6=a5+5=16可以发现递推关系:ai=a[i−1]+(i−1),其中i≥ (1)数组的并集:给定两个数组A,B把他们所有的元素合并在一起,并按照从小到大排序组成的集合,叫做数组A与数组B的并集;比如:数组{1,2,3}和{2,3,4}的并集是{1,2,3,4}。 (2)数的交集:给定两个数组A,B由所有属于数组A且属于数组B的元素,并按照从小到大排序组成的集合,所组成的集合,叫做集合A与集合B的交集;比如:数组{1,2,3}和{2,3,4}的交集为{2,3}。
原创:ZOE酱 https://zhuanlan.zhihu.com/p/36204695 这次给大家带来的是4 幅思维导图,梳理了 Python 爬虫部分核心知识点:网络基础知识,Requests, 本文思维导图仅仅涉及了爬虫最核心基础的部分,但足够应对入门所需了~ 1 爬虫基础知识 ? 2 Requests 库 ? 3 BeautifulSoup & urllib ? 4 Scrapy 爬虫框架 ?
智能体:让AI自己调API干活——从Android Service到AI Agent的思维跃迁(本篇) ⏳ 第3篇:微调:让通用大模型变成你的「专属定制ROM」——从AOSP到LoRA的迁移学习 ⏳ 第 4篇:RAG+Agent+微调组合拳:搭建一个完整的AI驱动Android开发助手 上一篇我们聊了RAG——给大模型接一个"外挂知识库"。 到时候见 Android工程师的AI开发实战系列 · 第2/4篇 用Android思维理解RAG、Agent和微调,从移动端老兵到AI开发者的跨界之路 ✅ 第1篇:RAG:给大模型装一个靠谱的「本地数据库 」——Android工程师秒懂的检索增强生成 ✅ 第2篇:Agent智能体:让AI自己调API干活——从Android Service到AI Agent的思维跃迁(本篇) ⏳ 第3篇:微调:让通用大模型变成你的 「专属定制ROM」——从AOSP到LoRA的迁移学习 ⏳ 第4篇:RAG+Agent+微调组合拳:搭建一个完整的AI驱动Android开发助手
一、设计民主化背后的认知升级传统设计流程中存在一个隐性悖论:创意本该是自由的,但专业训练形成的思维框架反而可能成为束缚。GAI的突破性在于,它通过「语义—视觉」的跨维度转换能力,将抽象概念快速具象化。 这类似于为每个使用者配备了"思维投影仪",使得非专业人士也能将模糊的灵感可视化,专业设计师则获得突破惯性思维的碰撞机会。在品牌创新领域,这种能力催生出「动态品牌系统」的新理念。 但更关键的是培养「AI-Augmented Thinking」:概念抽象能力:将模糊需求转化为可执行的结构化描述审美判断能力:在海量生成结果中识别真正有价值的创新系统设计能力:构建引导AI创造力的规则框架跨模态思维 那些能快速适应这种「增强型思维」模式的创作者,将获得前所未有的表达自由。四、面向未来的能力认证建议在这个快速迭代的领域,系统化学习显得尤为重要。 更重要的是,认证过程培养的结构化思维,正是有效驾驭AI创造力的关键所在。站在技术变革的交汇点,我们正在见证一个创意的黄金时代。
在《分析激发态的跃迁类型》一文中我们介绍了如何分析电子激发的跃迁性质。在TD-DFT框架下,通过程序输出的轨道跃迁系数即可计算出相应的跃迁贡献,进而可以根据占主要贡献的轨道的特征来分析跃迁属性。 在某些体系中,可能无法用一两对轨道的跃迁来简单描述跃迁的属性,此时可以借助自然跃迁轨道(natural transition orbital, NTO)来进行分析。 在虚NTO中有nocc个的本征值与占据NTO的本征值分别相同,它们一一匹配构成了NTO跃迁,剩余的虚NTO的本征值为0。假设NTO的最大本征值为0.9,则意味着该组跃迁占了90%的贡献。 绘制出4个轨道的等值面(isovalue=0.03)如下所示: ? 因此该电子激发可指认为局域π→π*跃迁。 本例中,我们先进行了普通的TD-DFT计算,再做NTO分析。 ,因此在TD计算时要加入iop(9/40=4),以输出绝对值大于10−4的系数。
之前做项目 发现外层表格全选时候 想全选内层表格 ,有用过toggleRowSelection,但是发现内层表格未打开时,无法触发内层表格的ref,所以我找了别的解决方法。
那么总的来说,我分为四种思维模式: 一、技术思维 卧槽!干代码!出bug了!没错,这就是你进步的源头。 二、业务数据思维 业务思维上,更多会考虑到业务本身的价值,具有较强的业务敏感度。 三、产品思维 对于产品思维,很多人会想到,程序员总想砍死产品经理,改来改去哈哈。。但是其实产品思维的核心在于 与人打交道、与业务打交道、与技术打交道 以及 事物的推动作用。 那么产品思维,我们就可以概括为:业务本身、技能专业度、洞察力、心理学、全局观、高情商以及耐心,是一种复合的思维。 四、复合思维 毕竟本人也是技术出身,所以对于技术的感官更加强烈哈哈。。 但是如果,你能在精通专业技术的基础上,融合 技术 业务 产品 的体系化思维模式,我称之为复合型思维,因为这种思维模式,包含强大的同理心,包含敏锐的洞察力,同时也包含一定的视野广度,需要结合心理学、哲学、
一个人能够用机器学习和处理信息,用大脑整合和创新思想,用系统思维思考问题,会是未来最有竞争力的。 没有一个人是仅凭努力、天赋、机遇而获得巨大成功的,跃迁式的成功都是利用了更底层规律,激发了个体的跨越式成长。 看懂了事物背后的规律,每个人都有机会推动自己跃迁。 知识晶体是整个学习中最关键的一环 4种知识结构 《透过结构看世界》一书也有类似的知识结构分类,分为16个类别 唐纳德·E.萨柏的生涯彩虹图 找到知识源头、极其功利地读书、萃取知识晶体,这就是提高认知效率的核心方式 上层决定下层,下层无解,跃迁一层有答案 控制点:多层布点、单点可控、目标折射。
Growth hacking 就是一个很典型的例子,通过关键动作的大数据分析,和AB测试以数据来驱动增长
这次给大家带来的是4 幅思维导图,梳理了 Python 爬虫部分核心知识点:网络基础知识,Requests,BeautifulSoup,urllib 和 Scrapy 爬虫框架。 第一次抓到数据时,感觉世界都明亮了呢~ 由于日常项目要求不高,本文思维导图仅仅涉及了爬虫最核心基础的部分,但足够应对入门所需了~ P.S.由于平台对图片有一定程度的压缩,建议下载高清原图(公众号后台回复 工具:XMind ▍思维导图 1 爬虫基础知识 ? 2 Requests 库 ? 3 BeautifulSoup & urllib ? 4 Scrapy 爬虫框架 ? 不感兴趣的朋友直接跳过即可~ 最近在忙着写英文稿子,等弄完这段,就正式开始分享思维导图精读类笔记,不再只局限于编程这一小领域了~我也会陆续把自己学习思维导图的经验分享给大家。希望大家喜欢。 哎,ZOE 酱也很想快点有这个和大家交流的机会呢~目前还不清楚开通的硬性标准是什么……运营时间太短,关注量也比较少 ~可能还需要大家等待一些时日~ 对思维导图有任何意见都可以反馈给 ZOE 酱哦~感谢
因为不了解别人读的书,有很大概率不了解别人的知识体系和思维习惯。 举个例子,亚马逊、谷歌、ebay思想体系在我们团队用的很多。多看这些公司人写的书在工作中沟通会顺畅很多。 《跃迁-成为高手的技术》这本书是我们leader开会的时候强烈推荐的一本好书,所以利用周末时间补习一下。 内容简介 我这周发了高烧,休假一天不发烧了,但是嗓子发炎了还是没好,养病期间看书比较慢。 在《跃迁》这本书的「序言:高手的三个境界」中介绍了努力和回报为什么不成正比。需要利用规律和趋势,放大个人的努力。 用在吃鸡腿这件事情上,我的着眼点在于:「多偏心眼儿啊,和我哥待遇差距这么大呢」。
4. Model 冻结(跨提示词批量):CheckpointLoader 的结果(模型权重加载到 VRAM)被缓存后,整个批量生成过程中只加载一次,极大减少 IO 开销。 :img2img 精化(保持 latent,denoise=0.5-0.7) ↓ 在既有构图基础上增强细节 阶段 3:Hires.fix / UltimateSDUpscale(2-4x 放大) ↓ 分块超分辨率,维持语义一致性 阶段 4:FaceDetailer(人脸局部修复) ↓ 对检测到的人脸区域执行局部 inpainting 阶段 5:色彩校正 ↓↓↓ HTTP API / WebSocket ComfyUI 服务层(多实例) ↓ GPU 集群(本地 / RunPod / 云端) 传统 GPU 服务器部署通常需要 2-4 生成视频帧序列 [GIMM-VFI 帧插值](提升帧率) ↓ [视频超分节点(Topaz / RealESRGAN)] ↓ [VHS_VideoCombine](合并输出 MP4)
2025年初,DeepSeek-R1大模型的横空出世,不仅震撼全球技术圈,更标志着中国开源生态的一次高能爆发。这款完全开源的大模型在数学与逻辑推理上逼近闭源巨头水平,证明了国产AI基础能力的飞跃远超预期。然而,这一爆点绝非偶然——它植根于十多年的政策引导、工程教育扩张和社区文化融合。这种生态惯性,正推动中国从技术追随者蜕变为创新引领者。