yolo介绍 深度学习经典检测方法 one-stage(单阶段)：一个cn网络做出来，yolo系列（随便一千个点）；核心优先：速度非常快；缺点：粗糙 two-stage: Faster-rcnn Mask-rcnn（5fps）：多加了区域建议网络rpn（先预选再选好的点），稍微麻烦，但效果相对直接选更好 指标分析 map：综合平衡检测效果；单看精度(检测得是否
@目录前言一 硬件构成二 原理三 通讯方式（IIC）四 引脚配置五 操作处理 前言 TP是TouchPad触摸屏的意思，触控屏（Touchpanel）又称为触控面板，是个可接收触头等输入讯号的感应式液晶显示装置。 电阻式触摸屏，简称电阻屏，主要是利用压力感应进行控制,当用手指或其他物体触摸屏幕时，两个导电层发
目录简介PyDictObject对象类型创建dict缓存池 本文基于Python3.10.4。 简介 元素与元素之间通常可能会存在某种联系，这个联系将两个元素关联在一起。为了刻画这种关联关系，编程语言中都会提供关联容器，其中保存着一对一对的元素对，通常其中一个被称为键（key），另一个被称为值（value）。 C++ S
成绩综述 $ Rank 32/51 $ 本场比赛随机化现象显著... 不过随机化真的好用 题 \(\mathfrak{T1}\ 活动投票\) 本来是个水题 然后看到了奇怪的东西 \(\color{red}{时限：0.5s\ 内存：2M}\) \(?(缓缓打出一个问号)\) 先不说正解说说部分分，考场上我是怎么想的呢，既然我不能把数组全开完，那
CF603E Pastoral Oddities 给定一张 \(n\) 个点的无向图，初始没有边。 依次加入 \(m\) 条带权的边，每次加入后询问是否存在一个边集，满足每个点的度数均为奇数。 若存在，则还需要最小化边集中的最大边权。 \(n \le 10^5,m \le 3 \times 10^5\)。 首先观察题目条件，发现 \(n\) 的大小
添加数据库 and 绑定邮箱！！！ 实现效果： 数据库设计： CREATE TABLE `o_my_resume` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(255) NOT NULL COMMENT '姓名', `job` text NOT NULL COMMENT '申请的岗位', `tel` varchar(255) NOT NULL COMMENT '
在 5G NR 的 PUCCH 仿真中遇到了有关虚警率和漏警率的概念。在此记录一下。文章内容来自于：虚警率、漏警率 一、相关概念 真实值（actual value）、预测值（predicted value） actual value 指真实记录的已发生的测量结果值；predicted value 指对未发生的预测值。 真（True）、假（False） Tru
背景： 最近受群友蛊惑决定升级光猫，把千兆带宽跑满，当前只能跑到900左右。在升级光猫的同时将局域网也升级到2.5G。由于第一次搞没有经验，尝试了两种方案： 1.猫棒方案 方案1环境清单： 1.猫棒 华为 MA567A 2.路由 TP ER2220G（目前在用的）SFP为1G 3.光电收发器 HELLOTAK 准备好
套路题。 先不考虑额外的边跑一次最短路。 然后考虑一下额外的边，单独拿出来转移一次。 式子为 \(dis_u=min\{olddis_v+(u-v)^2,1\leq v \leq n\}\)。 简单的，把凸包建出来，二分最优点转移即可。 也就是做一次斜率优化 \(dp\)。 然后继续跑最短路，最短路可以同时 \(n\) 个节点一起跑。
混淆矩阵（Confusion Matrix） 混淆矩阵 预测 类1 类2 类3 实际 类1 类2 类3 每一行之和为该类别真实样本数量，每一列之和为预测为该类的样本数量，对角线上为预测正确。 TP TN FP FN TP(True Positive)： 结果为正例，预测为正例 TN(True Negative)： 结果为负例，预测为
KMP算法 例题1：E. Martian Strings【前缀函数的运用】 这一题笨笨地写了个SA+二分，慢死了（常数大）。虽然这一题是多串匹配，但是\(m=100\)，S串长度为\(1e5\)，所以是可以暴力check每一个pattern的。。但是因为这一题要把一个串分成两个不相交的区间，所以考虑顺序、逆序做一次KMP，特判长度
描述 给定一个单链表的头结点pHead(该头节点是有值的，比如在下图，它的val是1)，长度为n，反转该链表后，返回新链表的表头。 数据范围： 0\leq n\leq10000≤n≤1000 要求：空间复杂度 O(1)O(1) ，时间复杂度 O(n)O(n) 。 如当输入链表{1,2,3}时， 经反转后，原链表变为{3,2,1}，所以对应
一道计算几何的模板题 点很多值域很小，考虑对每个横坐标求出最大/最小的纵坐标，只有这些点可能在凸包上 递推 \(O(p)\) 次后会进入循环节，前面的暴力。之后对于固定的 \(x_i\) 而言，只有前 \(py\) 个对应的 \(y\) 有用。把对应的 \(y\) 集合相同的 \(x_i\) 一起计算，相当于求 RMQ（这部分
\(\cal T_1\) Abracadabra Description 给定长度为 \(N\)（保证为偶数）的排列，每次操作将排列对半分，然后做归并。\(Q\) 次询问，求 \(t\) 次操作后的第 \(i\) 张牌。 \(N\leqslant 2\cdot 10^5,Q\leqslant 10^6,0\leqslant t\leqslant 10^9\). Solution 一些闲话：黑心糖赛高！ 可以发现归
precision & recall 与 PR曲线 Precision中文名查准率，精确率：表示预测为正样本的样本集中真正正样本的比例 Recall中文名查全率，召回率：表示真正为正样本的样本集中被预测为正样本的比例 \[P=TP/(TP+FP) \]\[R=TP/(TP+FN) \]其中TP，TN，FP，FN的T/F代表预测是否正确（True/False），P/N代表预测
题面挺有意思（恶心）的。 传送门：P4332 [SHOI2014]三叉神经树 LCT Solution 1 对于每一个非叶子节点 \(i\)，有 \(val_i\)，表示其输出为 1 的儿子的总数。所以对于每一个 \(val_i,\ i \in [1,n]\) ，其取值范围是 0~3。所以我们发现这个非叶子节点 \(i\) 最后输出的结果就是 \(\left\lfloor
目录评价指标1. TP、FP、TN、FN2. 常用指标3. ROC4. AUC 评价指标 1. TP、FP、TN、FN P (Positive) 和 N(Negative) 代表模型的判断结果 T (True) 和 F(False) 评价模型的判断结果是否正确 FP: 假正例，模型的判断是正例 (P) ,实际上这是错误的(F),连起来就是假正例 FN:假负
做 CF 的时候碰到了这个，于是就滚过来学了。本文全部参考 OI-wiki。所以你的学习笔记就是把原文抄一遍吗 其实是一个比较简单的东西，感觉 OI-wiki 上有些部分写得太繁杂了，所以就稍微做了一些简化。 引入 这个问题是这样的：给定一个长度为 \(n\) 的排列，我们称一个值域连续的区间为段，问
\(\cal T_1\) 数列维护 100 合 1 / sequence Description 你有一个长度为 \(n\) 的数列，现在你要支持以下 \(100\) 种操作： 操作 \(001\)：询问若可以使用膜法一次令任一区间内的所有数同时 \(+1\) 或同时 \(−1\)，要把某一区间恰好都变为 \(0\)，至少需要几次膜法； 操作 \(010\)：使一个
一、OLTP(TP) On-Line Transaction Processing 联机事务处理过程(OLTP) 1.也称为面向交易的处理过程，其基本特征是前台接收的用户数据可以立即传送到计算中心进行处理，并在很短的时间内给出处理结果，是对用户操作快速响应的方式之一。 这样做的最大优点是可以即时地处理输入的数据，
Aragorn's Story 树链剖分模板 维护两个点之间路径的值，剖分之后用线段树 区间修改 单点查询 注意初始化（不会有人没初始化边，然后 MLE 了半个小时吧） （为什么是 MLE 而不是 RE！！小编也不太清楚，小编也很想知道，[狗头]） #include <iostream> #include <algorithm> #include <vector> using n
来自Amazon，google，Meta, Microsoft等的面试问题，问题很多所以对问题进行了分类整理，本文包含基础知识和数据分析相关问题 基础知识 1、什么是数据科学?列出监督学习和非监督学习的区别。 数据科学是各种工具、算法和机器学习方法的混合，其目标是从原始数据中发现隐藏的模式。这与统计
负载平衡问题 费用流 主要是建图，其他都是模板 每个仓库视为一个点，设置一个源点，对仓库有一条边，容量就为仓库原有的库存量，费用为 0 然后相邻的仓库之间有一条容量为无穷大，费用为 1 的边 每个仓库对汇点有一个边，容量为平均值，费用为 0 #include <iostream> #include <cstdio>
脑子笨，总是搞混这几个概念，然后每次都要重新理解别人写的，还是很绕，这样写下次应该就能很快明白了，哈哈 一、 准确率(accuracy),精确率(precision),召回率(recall) TP : 将正类预测为正类数 (预测正确) （正类） FN: 将正类预测为负类数（预测错误）（正类） FP: 将负类预测为正类数（预测错误）（
【模板】最小费用最大流 EK 改 SPFA #include <iostream> #include <queue> #include <algorithm> using namespace std; typedef long long ll; const int maxn = 1e5 + 10; const ll inf = 1e17 + 10; int tp = 1, nex[maxn], head[maxn], to[maxn], vis[maxn], last[
