- 综合排序
- 最热优先
- 最新优先
- 来自专栏布衣者博客
LeetCode-题库-刷题(6-7)
将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。 具体题目链接
45920发布于 2021-09-07 - 来自专栏python3
笨办法学Python - 习题6-7:
学习目标：了解字符串的定义，学会使用复杂的字符串来建立一系列的变量。学会命名有意义的变量名
72510发布于 2020-02-10 - 来自专栏iOS面试
iOS 面试策略之算法基础6-7节
之前介绍了最简单的搜索法：二分搜索。虽然它的算法复杂度非常低只有 O(logn)，但使用起来也有局限：只有在输入是排序的情况下才能使用。这次讲解两个更复杂的搜索算法:
90730发布于 2021-04-22 - 来自专栏AI SPPECH
IO竞赛2025年题目解析：中级难度（6-7）
2025年的中级难度（难度系数6-7）题目综合考察了选手的算法设计、数据结构应用、数学建模和问题分析能力。本文将深入解析2025年中级难度的IO竞赛题目，帮助选手们突破瓶颈，提升解题能力。 难度进阶路径: 入门(1-3) → 基础(4-5) → 中级(6-7) → 高级(8-10) 难度系数 考察重点 核心知识点 学习目标 6-7 高级算法、数据结构综合应用 高级动态规划、图论、数论、几何 8题） ├── 第四章：中级难度题目解题策略 └── 第五章：综合能力提升建议 第一章：2025年IO竞赛中级难度题目概述 根据2025年NOI修订版大纲，中级难度（CSP-S提高）的知识点难度系数为6-
30210编辑于 2025-11-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-7 sklearn中的随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍改进上一小节代码，封装自己的随机梯度下降法并应用，之后应用sklearn实现随机梯度下降法。
1.2K20发布于 2019-11-13 - 来自专栏linjinhe的专栏
设计数据密集型应用（6-7）：分片、事务
介绍隔离性的文章太多了，这里推荐一篇论文： A Critique of ANSI SQL Isolation Levels。下面介绍一下隔离性，主要参考这篇论文。
78550发布于 2020-04-02 - 来自专栏毕业设计
分布式电商系统的设计与实现⑦-2
接下来，我会将整篇毕设论文放上该专栏，其中按照论文提纲主要分为八大部分。每一部分单独列出一篇文章。 这一篇就是论文的第六部分系统详细设计与实现。 ）点击新品，输入价格区间，是否排序等操作通过上述操作均能查询出相关商品符合预期结果搜索商品界面如下图6-6所示：图 6-6 搜索商品界面1.1.3 秒杀商品相关功能测试秒杀商品的测试用例分析表如下表6- 表 6-7 秒杀商品的测试用例分析表测试主题测试步骤预期结果实际结果秒杀商品（1）进入商品首页，找到秒杀栏 （2）进入秒杀栏，可以查看所有秒杀商品。 2）点击购物车，选中要删除的商品 （3）点击删除选中的商品成功从购物车列表剔除符合预期结果购物车的商品数量（1）进入购物车列表 （2）选中商品，修改商品数量成功修改商品符合预期结果购物车界面如下图6- 7所示：图 6-7 购物车界面1.1.5 订单相关功能测试该模块提供提交订单，支付等功能，该功能模块测试用例分析如下表6-9所示：表 6-9 订单功能测试用例分析表测试主题测试步骤预期结果实际结果提交订单
42010编辑于 2024-06-23 - 来自专栏全栈开发那些事
6-7 在一个数组中实现两个堆栈 (20分)
其中Tag是堆栈编号，取1或2；MaxSize堆栈数组的规模；Stack结构定义如下：
1.2K40编辑于 2023-02-27 - 来自专栏AI算法与图像处理
2020年计算机视觉技术最新学习路线总结 （含时间分配建议）
我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间：你每周平均应在该部分上花费多少时间 学习资源：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源 /practical-guide-object-detection-yolo-framewor-python 斯坦福大学的物体检测： https://youtu.be/nDPWywWRIRo YOLO论文 www.analyticsvidhya.com/blog/2019/07/computer-vision-implementing-mask-r-cnn-image-segmentation Mask R-CNN论文 建议时间：每周6-7小时 自然语言处理（NLP）的基础知识： 斯坦福-词嵌入： https://youtu.be/ERibwqs9p38 递归神经网络（RNN）简介： https://youtu.be/ 建议时间：每周6-7小时 了解生成对抗网络（GAN）： Ian Goodfellow的生成对抗网络（GAN）： https://youtu.be/HGYYEUSm-0Q GAN 论文 https://arxiv.org
12.9K1416发布于 2020-08-28 - 来自专栏Path Tracking Letters
论文解读——Autonomous underground tramming for center-articulated……
Autonomous underground tramming for center-articulated vehicles》是期刊《Journal of Field Robotics》在2010年第25卷第6- 7期上刊载的一篇论文。 该论文的作者是Marshall J、Barfoot T和Larsson J。 对于希望从事铰接式车辆自主行驶研究的从业者而言，这篇论文是进一步了解铰接式车辆结构、运动学特性、动力学特性、工作环境、定位模式的上佳资料。 论文给出了车辆及传感器布置的照片（图片源于该论文）： ? ，先进控制方法也层出不穷，所以不建议单从技术的角度参考这篇论文）。
60140发布于 2020-09-01 - 来自专栏机器学习初学者精选文章
【论文解读】GCN论文总结
本次要总结和分享的是ICLR2017的关于GCN方面的代表作之一论文：SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS，论文链接为 paper[1]，参考的实现代码为pygcn[2] 文章目录 先导知识 论文动机 模型 切比雪夫逼近卷积核函数 图上的快速近似卷积 半监督节点分类 实验 核心代码分析 个人总结 先导知识 在读这篇论文之前 论文动机 考虑对图（如论文引用网络）中的节点（如文档）进行分类的问题，其中仅有一小部分节点带有label信息。 单从这个公式来看，本论文所提的图上的卷积方式其实很简单的。 实验 数据集： ? 论文中用到了上述四个数据集，上表中展示了每个数据集的节点数量、边的数量、类别数、特征维度、带标签节点占比。 由上图可以看出，本论文提出的GCN网络分类效果最好。 除此之外，论文中还和以往的一些GCN网络进行了对比实验： ?
2.2K20发布于 2021-04-16 - 来自专栏登神长阶
【论文复现】FastBEV论文解读
论文解读 本文介绍了一种名为Fast-BEV的快速且强大的鸟瞰视图感知基线框架，旨在解决现有BEV解决方案在执行车辆内推理时需要大量资源或性能不佳的问题。 论文方法 方法描述 该论文提出了一种名为Fast-BEV的快速视图变换方法，用于将多相机图像转换为鸟瞰视角下的三维特征图。 论文实验 本文主要介绍了在nuScenes数据集上进行的3D目标检测任务，并进行了多个对比实验来验证Fast-BEV模型的有效性和性能表现。 论文总结 文章优点 本文提出了一种名为Fast-BEV的高效全卷积BEV感知框架，适用于车辆上的部署。
81510编辑于 2024-12-15 - 来自专栏机器学习初学者精选文章
【论文解读】DeepFM论文总结
本次要总结分享的是 推荐/CTR 领域内著名的deepfm[1] 论文，参考的代码tensorflow-DeepFM[2]，该论文方法较为简单，实现起来也比较容易，该方法在工业界十分常用。 构图 总结 论文动机及创新点 在 deepfm 提出之前，现有的模型很难很好的提取低阶和高阶的交互特征，或者需要足够丰富的人工特征工程才能进行。 deepfm 论文里就是基于这一动机，将 fm 模型和 DNN 模型联合起来进行训练，其中 fm 模型可能捕捉到一些低阶的交互特征，而 DNN 模型捕捉一些高阶模型。 不得不说：这篇论文里面的网络图都画的好丑 ? 上式中 第一项<w,x> 表示提取一阶特征，第二项表示提取二阶交叉特征；每个样本在类别型 特征上只有一个取值。 论文讲到该方法可以一定程度避免人工特征工程，从模型看的确做到了无脑交叉，模型自动学习各种交叉的权重。
2.1K20发布于 2020-12-11 - 来自专栏全栈程序员必看
论文阅读报告_小论文
远古论文，没有找到其实验结果，论文中剩余部分为对于集体学习和模型复杂度的讨论。 论文地址：https://www.dbs.ifi.lmu.de/~tresp/papers/p271.pdf 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
1.1K30编辑于 2022-11-01 - 来自专栏GiantPandaCV
Ansor论文阅读笔记&&论文翻译
scheduler，在看Ansor论文之前建议先了解一下。 这就是论文中Figure5里面的第一个示例。 论文翻译 为了更好的理解Ansor，我翻译了一下论文，欢迎大家勘误。 评估 这里简单介绍一下Ansor的表现，基于论文中的图表。 ? 相关工作 略，感兴趣可以看下原论文。 9. 现在和将来的工作 略，感兴趣可以看下原论文。 10. 结论 我们提出了 Ansor，这是一种自动搜索框架，可为深度神经网络生成高性能的张量化程序。
2.4K31发布于 2021-07-23 - 来自专栏深度学习自然语言处理
【论文】本周论文推荐（11.23-11.29）
来自：RUC AI Box 导读 下面论文列表为本小组同学推荐和整理，关于论文细节请联系论文作者。内容涵盖以下研究方向：文本生成、知识库问答、对话系统、推荐系统、情感分析、风格迁移。 本周论文推荐 1 文本生成 code2seq: Generating Sequences from Structured Representations of Code.
95430发布于 2019-12-05 - 来自专栏我还不懂对话
【论文阅读】- 怎么快速阅读ML论文？
机器学习的论文很多，怎么从Arxiv上泛滥的文章中选择论文阅读，那么我们就需要快速地了解论文内容概要，从而决定是否精读。 论文里面的说法是否可靠？个人理解，是说论文里面指标是否靠谱，方法是否实用等。凭我自己的经验，一般可以从以下几点来看：论文方法是否过于trick，是否非常复杂（奥卡姆剃刀原理）。 一般很好的论文思想都很简单，反而是一些水文花里胡哨，指标提升像极了随机波动。是否开源代码。这个很重要，开源也分很多级别：第一档：被开源框架集成，那么这种算法基本没啥问题，方法也是被业界其他人认可。
77820编辑于 2022-10-08 亚马逊AutoML论文获最佳论文奖
亚马逊在首届AutoML会议上荣获最佳论文奖论文提出了一种停止超参数优化过程的新准则 在首届自动化机器学习（AutoML）会议上，我们团队凭借关于贝叶斯优化终止方法的研究获得最佳论文奖。 创新性终止准则论文《超参数优化的自动终止》提出基于统计误差与泛化误差差距的新判据： 理论突破：证明当统计误差超过遗憾值（理想配置与当前最优配置的差距）边界时，继续优化可能适得其反 实践方法：通过交叉验证估计统计方差
24700编辑于 2025-07-29- 来自专栏登神长阶
【论文复现】YOLOv7论文讲解
论文讲解 YOLO v7论文（YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 由论文中图示，在5 FPS 到 160 FPS 范围内，YOLOv7 在 speed 和 accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的实时目标检测器中 论文方法 论文聚焦如何在目标检测中取得更快的速度、更高的精度。 它为什么具备如此好的效果，论文分两个方面给出了答案。 为了区分辅助头和原来的头，给他们分别命名为lead head和AUX head，这种使用辅助头，深度监督训练模型的方式在其他论文中也都已经使用过。 yolo.py中的权值路径和分类的文件 修改完成后，可以根据需要运行predict.py文件进行预测 实践应用 预测效果如下所示： 参考链接 YOLO v7 GitHub仓库 链接 YOLO v7论文
1.4K10编辑于 2024-12-09 - 来自专栏机器之心
华人团队获最佳论文、最佳系统论文，CoRL获奖论文出炉
目前，CoRL 2023 官方已公布最佳论文奖、最佳学生论文奖、最佳系统论文奖等奖项。接下来，我们将为大家介绍一下这些获奖论文。 最佳论文 论文：Distilled Feature Fields Enable Few-Shot Language-Guided Manipulation 作者：William Shen, Ge Yang 最佳学生论文 论文：Robots That Ask For Help: Uncertainty Alignment for Large Language Model Planners 作者：Allen 最佳系统论文 论文：RoboCook: Long-Horizon Elasto-Plastic Object Manipulation with Diverse Tools 作者：Haochen Shi 值得一提的是，这篇论文的共同一作分别是来自斯坦福大学的博士生 Haochen Shi、原斯坦福大学博士后研究员、现清华大学交叉信息科学研究所助理教授 Huazhe Xu，论文作者之一是姚班校友、斯坦福大学助理教授吴佳俊
72140编辑于 2023-11-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号