ICode9

精准搜索请尝试: 精确搜索
  • 9.13-CSP-S模拟52022-09-15 21:30:23

    由于某些原因,现在改为发单篇博客的形式 9.13CSP-S模拟5 T1 F 比较水的一眼题,先没看题观察数据范围发现是n方的,读题发现显然可能合法的x只有\(O(n)\)个,就是拿\(a_1\)和所有的b异或一遍就行了,别的x既然\(a_1\)都异或不出来那显然不可能,对于一个数,它异或另一个数能得到x的话,那么异或

  • 获取父节点下所有子节点集合,查询数据库,递归查询。或者这不查询数据库递归查询2022-09-14 20:30:49

    伪代码逻辑: /** * @param menuListResult 返回的子节点集合 需要在查询一次加上menuList,是所有子节点集合 * @param pid 父节点id * @return */ public static List treeMenuList( List menuListResult, int pid){ List menuList =dao.getMenusByParId(pid); //数据库查询 根据

  • java递归获取某个父节点下面的所有子节点2022-09-14 20:04:43

    java递归获取某个父节点下面的所有子节点 点击查看代码 static List<Menu> childMenu=new ArrayList<Menu>(); /** * 获取某个父节点下面的所有子节点 * @param menuList * @param pid * @return */ public static List<Menu> treeMenuList( L

  • 20220909--CSP开小灶22022-09-09 21:32:43

    是两道结论题??? T1 元素周期表 那么显然地,我们可以由 \((x_1,y_1),(x_1,y_2),(x_2,y_1)\) 推出 \((x_2,y_2)\) 根据我多年数字哈希抱零的经验,可以把它丢进图里试着处理 首先我们进行一个边的建,找找规律 \(\cdots\) 好有趣哦,看上去是一个联通块? 这个是样例3 手模一下可以发现它完全

  • ARC 记录2022-09-07 21:02:19

    ARC145F Modulo Sum of Increasing Sequences 先考虑 \(p\mid n\) 的情况,令 \(b=\frac pn\)。 典中典。 列出生成函数: \[[x^ky^m](\prod_{i=0}^{n-1}(1+x^iy))^b\bmod(x^n-1) \]一个关于循环卷积的结论是:(就是对多项式的每个位置单位根反演然后线性组合) \[[x^0]f\bmod(x^n-1)=\frac

  • 概率统计A 知识总结2022-09-02 18:04:19

    (搬运自 作业部落 ,不知道为啥到博客园上公式渲染全乱了) 前五章 概率论部分 概率 事件的交并差(跟集合运算差不多),条件概率 $P\left( AB \right) =P\left( A \right) P\left( B\mid A \right) $ ,相互独立 \(P(AB)=P(A)P(B)\) 。 "n次抽取,放回与不放回"问题:不论放回与否,第 n 次抽中红球

  • SLAM后端—线性系统滤波(KF)与非线性系统滤波(EKF)2022-09-01 13:00:08

    SLAM学习笔记—后端 概述 状态估计概率分布的核心思想 未知量(\(x_k\))的后验概率分布 = 似然概率分布 × 未知量(\(x_k\))的先验概率分布 这一等式贯穿全文,请牢牢抓住! 运动方程和观测方程 \[\begin{cases} x_k = f(x_{k-1},u_k)+w_k \\\\ z_k=h(x_k)+v_k \end{cases}

  • 莫比乌斯反演2022-08-25 11:00:38

    莫比乌斯反演 莫比乌斯函数 定义 将 \(n\) 质因数分解 \[n = \prod_{i=1}^{k} p_i^{\alpha _i} \]则 \[\mu (n)= \left\{\begin{matrix} 1, &n=1 \\ 0, & \exists \alpha _i>1\\ (-1)^k, & \forall \alpha _i=1 \end{matrix}\right.\]性质 积性函数. \(s(n) =

  • 「题解」AGC038C LCMs2022-08-05 00:01:02

    \(i\) 和 \(j\) 不对称很烦,求 \(\sum_i\sum_j\mathrm{lcm}(A_i,A_j)\) 再减去 \(\sum_i A_i\) 再除 \(2\) 即可得到答案。现在来考虑 \(i\) 和 \(j\) 取值均为 \(0\sim N-1\) 的式子: \[\begin{aligned} &\sum_i\sum_j\mathrm{lcm}(A_i,A_j) \\ =&\sum_i\sum_j\frac{A

  • 抽样分布定理——统计学(七)2022-08-02 19:31:36

    抽样分布定理可以说是数理统计的基本定理了,因为它奠定了后面参数估计和假设检验的基础,所以掌握好这个定理以及它的证明十分有必要。这里介绍抽样分布定理以外,以及阐述它在后续内容中的重要作用。 一、抽样分布定理 *前提:都是单个总体的样本,样本的数学期望和方差都易求,以此来求总体

  • 【学习笔记】数论入门基础2022-08-02 08:00:24

    积性函数与完全积性函数 \(e(n) = [n=1]\) \(I(n) = 1\) \(id(n) = n\) 迪利克雷卷积 记 \(h = f *g\) 表示 \(f,g\) 的迪利克雷卷积为 \(h\) \[h(n) = \sum_{d|n}f(d)g(\frac{n}{d}) \]迪利克雷卷积有交换律、结合律、分配律: \[\begin{aligned} f* g &= g *f \\ (f* g) *h &= f*

  • 数论函数初步2022-07-29 09:06:14

    数论函数初步 数论函数 数论函数&狄利克雷卷积 定义:在全体(正)整数上定义的函数为数论函数 积性定义: 完全积性:\(f(ab)=f(a)f(b)\) 积性:若\(\gcd(a,b)=1\),则\(f(ab)=f(a)f(b)\) 规律:如果\(f(x),g(x)\) 为积性函数,则一下函数也有积性: \((f(x))^{-1},f(x)g(x),f(g(x)),f*g\) 积性

  • Unsupervised Semantic Segmentation by Distilling Feature Correspondences2022-07-20 11:06:59

    目录概流程代码 Hamilton M., Zhang Z., Hariharan B., Snavely N., Freeman W. T. Unsupervised semantic segmentation by distilling feature correspondences. In International Conference on Learning Representations, 2022 概 本文介绍了一种无监督的语义分割方法, 只需

  • ML: K-means Clustering2022-07-16 17:35:51

    Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Unsupervised Learning - Clustering - K-means Algorithm notations: $K$: the number of clusters $\mu_k$: the $k$-th cluster centroid, $\mu_k \in \

  • ML: Anomaly Detection | Multivariate Gaussian Distribution2022-07-16 17:33:23

    Source: Coursera Machine Learning provided by Stanford University Andrew Ng - Machine Learning | Coursera Anomaly Detection assumption: Each feature follows Gaussian distribution: $$ x_j \sim N(\mu_j, \sigma_j^2) $$ And they are independent, i.e. for

  • 从cannon的角度理解Layer2 - 3:代码才是最好的老师2022-07-15 10:04:20

    上一次,我们通过一个实际例子梳理了cannon的运行过程,更细节的部分,让我们使用代码的形式进行了解,由于业务流程已经连贯并且完整了,所以,下面的代码部分我将采用知识点的形式进行记录,可能会较为零散,但结合业务进行理解,应该也是轻而易举的 让我们从项目目录开始入手 在开始了解代码之前,

  • 常见描述性指标的python实现2022-07-10 13:03:48

    常见描述性指标的python实现 集中趋势 均值 \[\mu=\frac{\displaystyle\sum\limits_{i=1}^N{X_i}}{N} \]中位数 众数 离散程度 极差 \[R=\max{(X)}-\min{(X)} \]方差 \[\sigma^2=\frac{\displaystyle\sum\limits_{i=1}^N (X_i-\mu)^2}{N} \]标准差 \[\sigma =\sqrt{\sigma^2} \]变

  • elastic.for--编法12022-07-09 00:01:55

    SUBROUTINE UMAT(STRESS,STATEV,DDSDDE,SSE,SPD,SCD, 1 RPL,DDSDDT,DRPLDE,DRPLDT, 2 STRAN,DSTRAN,TIME,DTIME,TEMP,DTEMP,PREDEF,DPRED,CMNAME, 3 NDI,NSHR,NTENS,NSTATV,PROPS,NPROPS,COORDS,DROT,PNEWDT, 4 CELENT,DFGRD0,DFGRD1,NOEL,NPT,LAYE

  • 杨表和钩子公式2022-07-08 18:04:48

    杨表 杨氏矩阵(Young Tableau),又称杨表,是一类每行长度严格不降的表格,大小为 \(n\),数字 \(1,2,..,n\) 在表中满足从左到右和从上到下严格递增。设第 \(i\) 行的长度为 \(\lambda_i\),则 \(\lambda _i\geq \lambda_{i-1},\sum_{i}\lambda_i=n\),大小为 \(n\) 的杨表形态 \((\lambda_1,\l

  • WinFi一直Loading的解决办法,与其它抓包工具2022-07-03 11:00:32

    WinFi一直Loading的解决办法,与其它抓包工具 来源  https://www.acwifi.net/20163.html WinFi inSSIDer NetSpot Ekahau LizardSystems Wi-Fi Scannerariport utility   今天不拆机,来聊一聊WinFi的那些事那些情。最近一个星期它就是打不开,”小兔子乖乖 把门开开 快点开开 我要进

  • 优质收藏导航2022-07-02 16:32:56

    Mysql索引:图文并茂,深入探究索引的原理和使用 https://blog.csdn.net/mu_wind/article/details/110128016

  • 2702. problem b2022-06-29 02:01:14

    题目链接 2702. problem b 同215. 破译密码 对于给出的 \(n\) 个询问,每次求有多少个数对 \((x,y)\),满足 \(a≤x≤b,c≤y≤d\),且 \(\text{gcd}(x,y) = k\),\(\text{gcd}(x,y)\) 函数为 \(x\) 和 \(y\) 的最大公约数。 输入格式 第一行一个整数 \(n\)。 接下来 \(n\) 行每行五个整数,分

  • 数据分析知识扩展2022-06-28 02:01:13

    弗里德曼-迪亚科尼斯规则 在统计学中,Freedman-Diaconis规则用于确定直方图中的条柱宽度, 它以David A.Freedman和Persi Diaconis的名字命名。该规则定义: \[条柱宽度 = 2 \times \frac{IQR}{\sqrt[3]{n}} \]其中,IQR是四分位距,n是观测样本数目。 偏度(Skewness) 偏度用来度量随机变量

  • 正态分布的密度函数动画演示—R语言2022-06-25 07:00:20

    正态分布是概率统计中最重要的一种分布,其重要性我们可以从以下两方面来理解:一方面,正态分布是自然界最常见的一种分布。一般说来,若影响某一数量指标的随机因素很多,而每个因素所起的作用都不太大,则这个指标服从正态分布,例如,在生产条件不变的情况下,产品的强力、抗压强度、口径、长度

  • Deep Learning Review2022-06-22 20:04:16

    8-2 image classification 1x1 Conv filter: \[F_1 ,1 ,1 \]where \(F_1\) is the number of channels. Original input: \[(N,C,H,W) \]then it's transformed to: \[(N,C,H,W)\rightarrow (N,F_1,H,W) \]So 1x1 conv filters can be used to change the dimen

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有