摘要：
这部分我们关注有正特征值的对称矩阵。如果对称性使得一个矩阵重要，那么所有特征值大于零这个额外属性则让这个矩阵真正特殊。但我们这里的特殊并不是稀少，事实上在各种应用中具有正特征值的对称矩阵非常常见，它们被称作 正定矩阵 。 我们可以通过检查特征值是否大于零来识别正定矩阵，但计算特征值是一项工作，当我们 阅读全文
摘要：
前言 经历过 "春季实习生招聘" 的洗礼，我已经意识到了秋招的严峻性，所以一边实习一边一直关注着秋招。虽然 6 月下旬已经投出了秋招的第一份简历，然后，事实却是，落花有意，流水无情。在提前批阶段，要么是简历都没通过，要么是笔试没过，要么是万幸过了笔试面试又遭打击，唯一的一家拼多多，远程面试整个流程持 阅读全文
摘要：
1. 题目 2. 解答 在 "LeetCode 46——全排列" 中我们已经知道，全排列其实就是先确定某一个位置的元素，然后余下就是一个子问题。在那个问题中，数据没有重复，所以数据中的任意元素都可以放在最后一个位置。 但是，如果数据有重复的话，重复的数据都放在最后则是一样的结果，我们需要进行一个去重 阅读全文
摘要：
1. 题目 2. 解答 2.1. 方法一——大顶堆 参考 "堆和堆排序" 以及 "堆的应用" ，我们将数组的前 K 个位置当作一个大顶堆。 首先建堆，也即对堆中 [0, (K 2)/2] 的节点从上往下进行堆化。第 K/2 个节点若有子节点，其左子节点位置应该为 2 K/2 + 1 = K+1，而我 阅读全文
摘要：
1. 题目 2. 解答 给定一个序列，序列中的任意一个数字都可以作为全排列的最后一位。然后，其余位置元素的确定便是剩余元素的一个全排列，也就是一个子问题。 例子中 [1, 2, 3] 的全排列，最后一位可以是 1 或者 2 或者 3。如果最后一位是 3，前两位便是 [1, 2] 的全排列。 我们用递 阅读全文
摘要：
1. 题目 2. 解答 定义两个栈 s_l_r、s_r_l 分别负责从左到右和从右到左遍历某一层的节点，用标志变量 flag 来控制具体情况，根节点所在层 flag=1 表示从左到右遍历，每隔一层改变一次遍历方向。 用栈 s_l_r 从左到右遍历当前层节点时，按照先左子节点再右子节点的顺序将这一层节 阅读全文
摘要：
1. 题目 2. 解答 借助于归并排序的分治思想，在 每次合并的时候 统计逆序对。因为要合并的两个数组都是有序的，如果左半部分数组当前值大于右半部分数组当前值，那么左半部分数组当前值右边的数就都大于右半部分数组当前值，这些数据对也就构成了逆序数对。 比如上图中 [3, 8, 9, 11] 和 [1, 阅读全文
摘要：
1. 指针是变量的地址 c include using namespace std; int main() { int a = 3; int p = &a; cout using namespace std; int main() { // 一维数组的数组名就是数组的首地址 int data[3] 阅读全文
摘要：
1. 摘要 卷积和循环神经网络中的操作都是一次处理一个局部邻域，在这篇文章中，作者提出了一个非局部的操作来作为捕获远程依赖的通用模块。 受计算机视觉中经典的非局部均值方法启发，我们的非局部操作计算某一位置的响应为所有位置特征的加权和。而且，这个模块可以插入到许多计算机视觉网络架构中去。 2. 介绍 阅读全文
摘要：
1. 摘要 注意力机制是深度神经网络的一个设计趋势，其在各种计算机视觉任务中都表现突出。但是，应用到图像超分辨领域的注意力模型大都没有考虑超分辨和其它高层计算机视觉问题的天然不同。 作者提出了一个新的注意力模型，由针对 SR 问题优化的新的通道和空间注意力机制以及将这两者结合起来的融合机制组成。基于 阅读全文