- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-7 输出全排列
点这里 7-7 输出全排列 请编写程序输出前n个正整数的全排列（n<10），并通过9个测试用例（即n从1到9）观察n逐步增大时程序的运行时间。 输入格式: 输入给出正整数n（<10）。
1.1K10发布于 2019-11-08 - 来自专栏以终为始
7-7 古风排版 （20 分)
7-7 古风排版 （20 分) 中国的古人写文字，是从右向左竖向排版的。本题就请你编写程序，把一段文字按古风排版。 输入格式： 输入在第一行给出一个正整数N（<100），是每一列的字符数。
67210编辑于 2023-03-09 - 来自专栏云微的一点分享
PTA 数据结构与算法题目集（中文）7-7 六度空间 (30分) 题解
我的GIS/CS学习笔记：https://github.com/yunwei37/ZJU-CS-GIS-ClassNotes <一个浙江大学本科生的计算机、地理信息科学知识库 > 还有不少数据结构和算法相关的笔记以及 : 100.00% 5: 100.00% 6: 100.00% 7: 100.00% 8: 90.00% 9: 80.00% 10: 70.00% 思路 当时的思路是使用单源无权最短路算法 ，迭代计算路径长度， 当出现第一个节点路径为7时退出循环，计算经过的节点个数 （现在看起来好蠢…BFS好像挺香的） #include<stdio.h> //使用单源无权最短路算法，迭代计算路径长度，
58420编辑于 2023-02-11 - 来自专栏刷题笔记
7-7 删除重复字符 (20 分)
点这里 7-7 删除重复字符 (20 分) 本题要求编写程序，将给定字符串去掉重复的字符后，按照字符ASCII码顺序从小到大排序后输出。
2.6K20发布于 2019-11-08 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-7 装睡
7-7 装睡 你永远叫不醒一个装睡的人 —— 但是通过分析一个人的呼吸频率和脉搏，你可以发现谁在装睡！医生告诉我们，正常人睡眠时的呼吸频率是每分钟15-20次，脉搏是每分钟50-70次。
91230发布于 2020-06-23 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-7 试手MNIST数据集
本小节使用更大更正规的手写识别数据集MNIST数据集，使用sklearn导入MNIST数据集并使用kNN算法对MNIST数据集进行分类。 之后测试使用PCA对MNSIT数据集进行降维后应用kNN算法分类的效果。 02 使用kNN分类算法 有了X和y，接下来就可以使用kNN算法进行分类。 在MNSIT数据集中，kNN算法的训练（fit）过程耗时39.6s。 03 使用PCA降维后的kNN算法 简单回顾前面没有使用PCA进行降维的MNIST数据集，在应用kNN算法进行分类的效果： 训练时间：39.6S 预测时间：21min 5s 分类精度：0.9688 接下来先使用PCA对MNIST数据集降维，之后通过kNN分类算法对降维后的MNIST数据集进行分类。
2.8K10发布于 2019-11-13 - 来自专栏Java
7-7 念数字 (15 分)(用数组简化判断过程)
7-7 念数字 (15 分) 输入一个整数，输出每个数字对应的拼音。当整数为负数时，先输出fu字。
36400编辑于 2025-01-21 - 来自专栏刷题笔记
【未完成】7-7 迷宫寻路 (30 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101473288 7-7 迷宫寻路 (30 分) 给定一个M行N列的迷宫图，其中 "0"表示可通路
1.3K10发布于 2019-11-08 - 来自专栏机器视觉工坊
AI算法分类
AI算法分类如下： 一、机器学习算法 监督学习 1、回归算法：线性回归和逻辑回归。 线性回归：进行直线或曲线拟合，一般使用“最小二乘法”来求解。 kNN算法是一种判别模型，即支持分类问题，也支持回归问题，是一种非线性模型。它天然的支持多分类问题。kNN算法没有训练过程，是一种基于实例的算法。 无监督学习 7、K均值算法核心：把样本分配到离它最近的类中心所属的类，类中心由属于这个类的所有样本确定。k均值算法是一种无监督的聚类算法。 和其他类型的神经网络一样，循环神经网络是一个判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题 三、大数据算法 数据挖掘&数据分析 推荐算法 四、一些算法本身并不算是一个机器学习算法 ，而是为了解决某个子问题而诞生的机器学习算法的子算法，如深度学习的神经网络的训练一般采用反向传播算法，梯度下降法。
2.6K20发布于 2020-07-28 - 来自专栏xiaosen
AI - 聚类算法
感谢大家的观看 聚类算法概念 聚类算法是一种无监督学习方法，用于将数据集中的对象划分为若干个簇，使得同一个簇内的对象之间具有较高的相似性，而不同簇的对象之间具有较大的差异性。 聚类算法的应用场景： 商业选址：通过分析用户的地理位置信息，聚类算法可以帮助企业确定新店铺的最佳位置，以最大化覆盖潜在客户。 资源优化：在物流和供应链管理中，聚类算法可以帮助优化资源的分配，例如确定最佳的仓库位置或货物配送路线。 聚类算法因其能够在无监督的环境中发现数据的内在结构和模式，而在各个领域都有广泛的应用。 选择合适的聚类算法和参数对于解决特定问题至关重要。这类方法通常需要预先指定簇的数量，并通过迭代优化来找到最佳的数据划分。典型的划分方法包括K-means算法、K-medoids算法等。 代表性的算法有AGNES（自底向上的聚合算法）和DIANA（自顶向下的分裂算法）。
1.5K10编辑于 2024-03-22 - 来自专栏AI系统
【AI系统】QNNPack 算法
本文将会深入介绍 QNNPACK 算法的实现过程。 前置知识回顾 在介绍 QNNPACK 算法前，先回顾一下传统的矩阵卷积运算方法。 加速库中针对矩阵卷积运算的核心算法，即如文章标题所示的 The Indirect Convolution Algorithm（间接卷积算法）。 对计算进行划分 虽然 QNNPACK 利用了像其他 BLAS 库一样的 PDOT 微内核，但其对具有 8 位元素的量化张量和移动 AI 使用案例的关注带来了非常不同的性能优化视角。 与 Im2Col 算法对比 与基于 Im2Col 的卷积算法相比，间接卷积的性能受到四个因素的影响： 消除非单位卷积的 Im2Col 转换。 可以看到间接卷积算法性能会明显优于其他算法的性能。
94110编辑于 2024-12-13 - 来自专栏sofu456
斗地主ai算法
牌的识别 识别和过滤，即要知道牌是什么牌，还要过滤出那几张牌是需要的牌 sequence = ['3', '4', '5', '6', '7', '8', '9', '10', 'j', 'q', 'k', '1', '2', 'xw', 'dw'] card = ['单牌', '对牌', '三张', '三带一', '单顺', '双顺', '三顺', '飞机','炸弹','四带二'] def to_card(data): return list(map(lambda x:
1.4K10编辑于 2021-12-06 - 来自专栏AI系统
【AI系统】Winograd 算法
在本文将重点介绍 Winograd 优化算法，它是矩阵乘优化方法中 Coppersmith–Winograd 算法的一种应用，按照 Winograd 算法的原理将卷积的运算进行转换，从而减少卷积运算中乘法的计算总量 算法约束与缺点 从上述方法的介绍中可以得知，Winograd 算法通过减少乘法操作的次数，有效降低了计算资源的消耗，从而提高了计算速度。 首先，当应用 Winograd 算法处理单个小局部的二维卷积时，该算法不能直接应用于这样的计算当中，因为产生的辅助矩阵规模过大，可能会对实际效果产生负面影响。 因此，Winograd 算法仅适用于较小的卷积核和分块尺寸。 另一个想法是将 Winograd 算法与空间组织算法结合起来，充分利用局部性和算法分析的优化，将卷积计算通过空间组合优化算法中的拆分方法，将输入拆分成若干个小规模卷积。
83511编辑于 2024-12-17 第七章 AI数据质量-3
Information Creator） 这个组件分多次迭代来生成图像信息，迭代大约要重复30~50次，低维空间变量（潜在空间）在迭代过程中从纯噪声不断变成包含丰富语义信息的向量，这一组件由UNet和调度算法 下面我们将演示如何基于边缘检测和姿态检测生成相似AI样本数据。 1. 基于Canny边缘检测生成样本数据 Canny边缘检测是一种常用的边缘检测算法，它可以在图像中找到明显的边缘，并将其提取出来。 我们可以将其作为ControlNet的输入，然后我们指定提示词("a man standing in a bright room with a clear face”)，生成有相同姿态的样本数据，参见代码段7- 代码段7-7 基于OpenPose生成相同姿态的样本代码 from diffusers import StableDiffusionControlNetPipeline, ControlNetModel generator, negative_prompt=negative_prompt, controlnet_conditioning_scale=[0.75], ).images[0] 通过循环执行代码段7-
61310编辑于 2025-04-15- 来自专栏决策智能与机器学习
AI算法对抗攻击和防御技术综述「AI核心算法」
关注：决策智能与机器学习，深耕AI脱水干货 ? Athalye等提出了EoT算法来解决第一个问题。 启发式防御算法由研究者通过实验获得，它们在实践中可以做到对一些特定的对抗攻击算 法具有良好的防御性能，但没有对防御性能给出理论性保障；可证明式防御通过理论证明，可以计算出在特定对抗攻击算法攻击下模型的最低准确度 Goodfellow等首先提出对抗训练，他们使用良性样本和通过FGSM算法生成的对抗样本一起训练神经网络，用于增强神经网络的鲁棒性；接着，提出了使用由PGD算法生成的对抗样本进行对抗训练的方法。 这主要是因为，攻击算法只要针对某一类防御生效即可， 然而一个有效的防御算法则需要去防御所有可能的攻击手段。 结束语 近两年来，针对深度学习算法的对抗攻击和防御技术迅速发展。
3.8K10发布于 2020-09-14 - 来自专栏强化学习专栏
黑白棋 AI 算法
文章分类在Pytorch： Pytorch（4）---《黑白棋 AI 算法》 黑白棋 AI 算法 1. 1.2 实验要求 使用 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi。 使用 Python 语言。 现在 AI 玩家需要大家来完善！ 该部分主要是需要大家使用 『蒙特卡洛树搜索算法』 来实现 miniAlphaGo for Reversi。 完善算法时请注意落子时间：落子需要在 60s 之内！ 落子 3 次不在合法范围内即判断该方失败, 故落子前请检查棋子的合法性。 2.5.1 测试 AI 玩家 如果您已经实现 AIPlayer，你可以选人类玩家、随机玩家与 AIPlayer 算法对战，甚至 AIPlayer 与 AIPlayer 自己对战！
2.4K00编辑于 2024-12-03 - 来自专栏xiaosen
AI - 支持向量机算法
概念 支持向量机（Support Vector Machine, SVM）是一种强大的机器学习算法，主要用于解决二分类问题。 惩罚参数 C SVM中的惩罚参数C是一个非常重要的超参数，它决定了算法对错误分类的容忍度。 在SVM中，C参数用于控制间隔大小与分类误差之间的权衡。 较大的C值意味着算法更加重视分类误差，即算法会尽量减小训练集上的分类错误。相反，较小的C值意味着算法更加重视最大化间隔，即使这可能导致在训练集上有更多的分类错误。
61310编辑于 2024-03-24 - 来自专栏燧机科技-视频AI智能分析
AI人员打架识别算法
AI打架识别算法基于Detection网络模型算法框架，AI打架识别算法识别校园打架斗殴行为，发现立即打架斗殴行为算法会立即抓拍告警推送打架事件信息。 ，而AI人员打架识别算法直接从图片生成位置和类别。 研究现状 目前AI人员打架识别算法，主要有3种主流的方法，分别是：（1）基于Detection的打架检测。其主要思想是: 将打架作为一种类别，通过分类的方式，将打架行为检测出来。 2.选取的方案 我这里选择方案1，AI人员打架识别算法基于目标检测做打架识别。前文也提到了，目前数据集十分匮乏。笔者也是反复查找，终于拿到了国外的一份很好的数据集。 基本流程是：Labelme标注 -> 标注数据整理与格式转换 -> AI人员打架识别算法模型训练 -> 部署2.2 AI人员打架识别算法标注数据整理与格式转换 Labelme标注的数据，无法直接用在训练中
1.6K20编辑于 2023-09-22 人工智能（AI）算法
人工智能（AI）领域包含众多算法，每种算法都有其特点、适用场景和优缺点。从主流人工智能算法类别出发，分类整理各自算法优缺点、适用场景及解决的问题，算法的用途。 一、监督学习（Supervised Learning） 常见算法： 线性回归（Linear Regression） 逻辑回归（Logistic Regression） 决策树（Decision Tree ） 随机森林（Random Forest） 支持向量机（SVM） K近邻算法（KNN） 神经网络（ANN） 典型用途： 分类与回归问题，如：邮件分类、房价预测、图像识别等 算法 优点 缺点 适用场景 解决的问题 VAE 理论扎实、训练稳定 生成质量不如GAN 图像生成、异常检测 生成建模 六、进化算法 & 模拟算法 常见算法： 遗传算法（Genetic Algorithm） 模拟退火（Simulated Annealing） 粒子群优化（PSO） 典型用途： 优化问题求解，如路径规划、超参数调优 算法 优点 缺点 适用场景 解决的问题 遗传算法 全局搜索能力强 收敛慢、不稳定 调参、路径优化 全局优化
1.6K10编辑于 2025-08-29- 来自专栏运维开发王义杰
AI: 机器学习算法总结
引言 机器学习（Machine Learning）是人工智能（Artificial Intelligence, AI）的一个重要分支，通过从数据中自动学习和改进，来实现复杂任务的自动化。 机器学习的算法主要分为两大类：传统算法和神经网络。本文将对这两类算法进行详细介绍，分析其原理、特点以及应用场景。 传统算法 传统的机器学习算法主要包括以下几类： 1. 常见的强化学习算法包括： Q学习（Q-Learning）：基于价值迭代的离散策略学习算法，适用于有限状态和动作空间。 结论 机器学习的传统算法和神经网络各有优势，传统算法结构简单，易于理解和实现，适用于小规模数据和结构化数据；神经网络通过多层结构和非线性激活函数，适用于大规模数据和复杂模式识别任务。 在实际应用中，往往需要根据具体问题选择合适的算法，并结合数据特点进行优化和改进。
1.2K10编辑于 2024-06-25
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