- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉与深度学习基础
HDU5033
now].y) top--; while(top>1 && ((node[now].y-node[que[top-1]].y)*fabs(node[que[top-1]].x-node[que[top -2]].x))>=(node[que[top-1]].y-node[que[top-2]].y)*fabs(node[now].x-node[que[top-1]].x)) top--; que if(node[i].y>0) op(i); else { while(top>1 && node[que[top-1]].y*fabs(node[i].x-node[que[top -2]].x)<=(node[que[top-2]].y)*fabs(node[i].x-node[que[top-1]].x)) top--; l[node[i].id]=que[top -2]].x)<=(node[que[top-2]].y)*fabs(node[i].x-node[que[top-1]].x)) top--; r[node[i].id]=que[top
745100发布于 2018-01-12 - 来自专栏数据结构与算法
括弧匹配检验
if(c[i]=='(') { top++; a[top]='('; } else if(c[i]==')') { if(a[top-1]=='(') top=top ) { top++; a[top]='['; } else if(c[i]==']') { if(a[top-1]=='[') //top--; top=top
93060发布于 2018-04-03 - 来自专栏数据结构与算法
P1452 Beauty Contes
int top=1; 42 for(int i=1;i<=n;i++) 43 { 44 while(top>2&& dcmp(cross(ch[top-1]-ch[top -2], p[i]-ch[top-2]))<=0) top--; 45 ch[top++]=p[i]; 46 } 47 int tmp=top+1; 48 for(int i=n-1;i>=1;i--) 49 { 50 while(top+1>tmp&& dcmp(cross(ch[top-1]-ch[top-2], p[i]-ch [top-2]))<=0) top--; 51 ch[top++]=p[i]; 52 } 53 if(n>2) top--; 54 return top;
66660发布于 2018-04-12 - 来自专栏数据结构与算法
P1452 Beauty Contes（旋转卡壳版）
int top=1; 42 for(int i=1;i<=n;i++) 43 { 44 while(top>2&& dcmp(cross(ch[top-1]-ch[top -2], p[i]-ch[top-2]))<=0) top--; 45 ch[top++]=p[i]; 46 } 47 int tmp=top+1; 48 for(int i=n-1;i>=1;i--) 49 { 50 while(top+1>tmp&& dcmp(cross(ch[top-1]-ch[top-2], p[i]-ch [top-2]))<=0) top--; 51 ch[top++]=p[i]; 52 } 53 if(n>2) top--; 54 return top;
636100发布于 2018-04-12 - 来自专栏数据结构与算法
P2742 [USACO5.1]圈奶牛Fencing the Cows
int top=1; 42 for(int i=1;i<=n;i++) 43 { 44 while(top>2&& dcmp(cross(ch[top-1]-ch[top -2], p[i]-ch[top-2]))<=0) top--; 45 ch[top++]=p[i]; 46 } 47 int tmp=top+1; 48 for(int i=n-1;i>=1;i--) 49 { 50 while(top+1>tmp&& dcmp(cross(ch[top-1]-ch[top-2], p[i]-ch [top-2]))<=0) top--; 51 ch[top++]=p[i]; 52 } 53 if(n>2) top--; 54 return top;
61590发布于 2018-04-12 - 来自专栏CreateAMind
一个超强学习算法及5大特点
4 利用和适应训练过程中学到的信息的能力，动态编码模块 5 识别误导分类并降低学习准确性的维度，并重新生成它们以对学习质量产生更积极的影响 算法： 进行两个创新步骤，top-2分类和维度再生，使其编码模块和基向量能够适应每个部分训练的模型 在top-2分类的每次迭代中， 首先对编码数据 (B) 应用高效的自适应学习算法，然后利用部分训练的模型来计算前两个最相似的每个数据点的类 (I) 。 在维度重新生成中，我们根据top-2分类的结果计算两个距离矩阵 (K) ，并识别 (N) 并消除 (Q) 误导分类的不需要的维度。
22610编辑于 2024-07-05 - 来自专栏量子位
爆火论文“14行代码打败BERT”出现反转！改掉bug性能秒变最差
“太长不看”概括一下就是：结果用的是top-2精度，而不是本应该的kNN(k=2) 精度。 也就是说，它的效果可能并没有那么强。 experiments.py文件中的calc_acc方法中）出现了问题： 简单来说就是，这段代码的做法其实是只要2个近邻点标签中有一个与中心点真实类别一致（简而言之，有一个对就算对），就判断为正确，这也就相当于Top 这不，Ken重新写了两种打破平局的策略（一个是随机选择，一个是递减k），重新计算了各数据集下模型的准确率，结果均出现了不同程度的下滑： 当然，我们可以发现，如果还是按照top-2算，Ken复现的结果基本和原论文没有差别
36020编辑于 2023-08-05 - 来自专栏Nuxt.js 实战系列
Nuxt3 实战 (十一)：添加路由 Transition 过渡效果和 Loading 动画
12 h-12 rotate-[165deg] before:content-[''] after:content-[''] before:absolute after:absolute before:top -2/4 after:top-2/4 before:left-2/4 after:left-2/4 before:block after:block before:w-[.5em] after:w-[.5em
70110编辑于 2025-08-14 - 来自专栏开发 & 算法杂谈
凸包问题之GrahamScan解法
=prArray+length) { //获取p1和p2 p2=stack[top-1]; p1=stack[top-2]; //右转，弹出p2,压入p1 while(IsRightTuring (start->p,p2->p,p1->p) > 0 ) { if(top<=2) break; top--; p2=stack[top-1]; p1=stack[top
84140发布于 2018-08-02 - 来自专栏DrugOne
Chem. Sci. | DeepMetab：首个实现 CYP450 介导代谢端到端预测的图学习框架
DeepMetab展现出显著优势：在底物预测任务中，多任务模型较单任务模型在AUC、准确率（ACC）等指标上均有提升，且五折交叉验证的方差降低一个数量级，稳定性大幅增强；在代谢位点预测任务中，针对9种CYP亚型的TOP 更关键的是临床验证环节：研究团队对18种2020-2024年FDA批准的新药（如莫博替尼、利特昔替尼）进行预测，结果显示其代谢位点TOP-2准确率达100%，14种药物的主要代谢产物（TOP-1）预测准确 结果显示，14 种药物的主要代谢产物（TOP-1）预测准确（准确率 78%），剩余 4 种（莫博替尼、利特昔替尼等）的正确产物为 TOP-2，整体 TOP-2 准确率 100%。
30210编辑于 2025-10-14 Chem. Sci. | DeepMetab：首个实现 CYP450 介导代谢端到端预测的图学习框架
DeepMetab展现出显著优势：在底物预测任务中，多任务模型较单任务模型在AUC、准确率（ACC）等指标上均有提升，且五折交叉验证的方差降低一个数量级，稳定性大幅增强；在代谢位点预测任务中，针对9种CYP亚型的TOP 更关键的是临床验证环节：研究团队对18种2020-2024年FDA批准的新药（如莫博替尼、利特昔替尼）进行预测，结果显示其代谢位点TOP-2准确率达100%，14种药物的主要代谢产物（TOP-1）预测准确 结果显示，14 种药物的主要代谢产物（TOP-1）预测准确（准确率 78%），剩余 4 种（莫博替尼、利特昔替尼等）的正确产物为 TOP-2，整体 TOP-2 准确率 100%。
13210编辑于 2026-01-08- 来自专栏小杰的学习本
菜鸟刷题Day7
将所有元素入栈，如果栈顶的两个元素互为大小写，就将两个元素都删除 tmp[top++]=s[i]; if(top>=2&&(tmp[top-1]==tmp[top -2]-32||tmp[top-1]==tmp[top-2]+32)) { //因为top是后置++，新入栈的两个元素一定是top-1和top-2
50800编辑于 2023-03-28 2021第十二届蓝桥杯大赛软件赛省赛C/C++ 大学 B 组
-2].first==0 && stack[top-2].second<=pla ) top-=2; while(top>0 && stack[top-1].first==0) top>0 && stack[top-1].first==0) pla = max(pla,stack[--top].second); while(top>1 && stack[top -2].first==0 && stack[top-2].second<=pla ) top-=2; stack[top++] = {0,pla}; / top>0 && stack[top-1].first==0) pla = max(pla,stack[--top].second); while(top>1 && stack[top -2].first==1 && stack[top-2].second>=pla ) top-=2; stack[top++] = {1,pla}; }
45010编辑于 2025-10-22- 来自专栏Next.js 实战系列
Next.js 实战 (五)：添加路由 Transition 过渡效果和 Loading 动画
12 h-12 rotate-[165deg] before:content-[''] after:content-[''] before:absolute after:absolute before:top -2/4 after:top-2/4 before:left-2/4 after:left-2/4 before:block after:block before:w-[.5em] after:w-[.5em
93310编辑于 2025-08-18 - 来自专栏机器之心
单个4090可推理，2000亿稀疏大模型「天工MoE」开源
归一化操作 Skywork-MoE 在 Gating Layer 的 token 分发逻辑处新增了一个 normalization 操作，使得 Gating Layer 的参数学习更加趋向于被选中的 top -2 experts，增加了 MoE 模型对于 top-2 的置信度： 自适应的 Aux Loss 有别于传统的固定系数（固定超参）的 aux loss， Skywork-MoE 在 MoE 训练的不同阶段让模型自适应的选择合适的
86410编辑于 2024-06-04 - 来自专栏机器之心
仅需Llama3 1/17的训练成本，Snowflake开源128x3B MoE模型
它将一个 10B 的密集 transformer 模型与一个 128×3.66B 的残差 MoE MLP 结合起来，总共有 480B 参数和 17B 活跃参数，使用 top-2 gating 来进行选择 基于此，Arctic 被设计为在 128 个细粒度（fine-grained）专家之间分布 480B 参数，并使用 top-2 gating 来选择 17B 活跃参数。
48910编辑于 2024-04-26 - 来自专栏全栈程序员必看
HDU 4337 King Arthur's Knights 它输出一个哈密顿电路
//能够证明存在节点vi,i∈[1,k),满足vi与T相邻,且vi+1与S相邻 for (int i=1; i<top-2; i++) if (mp[Stack[i]][T] && mp[
24720编辑于 2022-07-06 - 来自专栏Python进阶之路
深度求索开源国内首个 MoE 大模型 | DeepSeekMoE：在专家混合语言模型中实现终极专家专业化
例如，GShard（Lepikhin 等人，2021 年）和 Switch Transformer（Fedus 等人，2021 年）使用可学习的 top-2 或 top-1 路由策略来扩展 MoE 语言模型 相较于现有基于 top-1 或 top-2 路由策略的 MoE 模型，该架构提供了改进专家专业化的新途径。 这些研究为 DeepSeekMoE 提供了理论基础和实践经验。 DeepSeekMoE 在 MoE 架构上做了两大创新： 细粒度专家划分：不同于传统 MoE 直接从与标准 FFN 大小相同的 N 个专家里选择激活 K 个专家（如 Mistral 7B×8 采取 8 个专家选 top
2.5K00编辑于 2024-05-25 - 来自专栏深度学习自然语言处理
大模型微调新范式：当LoRA遇见MoE
• MOLA [3]：提出于2024年2月，使用离散路由（每次只激活路由权重top-2的专家），并发现在每一层设置同样的专家个数不是最优的，增加高层专家数目、降低底层专家数目，能在可训练参数量不变的前提下 为了解答问题1，作者训练了每层专家个数均为5的LoRA+MoE（基座模型为32层的LLaMa-2 7B），路由机制采用Top-2离散路由，计算了每层self-attention的Q、K、V、O各组专家权重内两两之间求差的 路由机制为token级别的Top-2路由，训练时加入了负载均衡损失。
3.7K20编辑于 2024-03-02 - 来自专栏CSDNToQQCode
Python小游戏（打乒乓）
150, 150), (left, top), (left+bwidth, top), 5) pygame.draw.line(screen, (150, 150, 150), (left, top
82230编辑于 2022-11-29
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