- 博客(8)
- 收藏
- 关注
RSS订阅原创 卷积神经网络压缩方法总结
前端压缩几乎不改变原有网络结构（仅仅只是在原模型基础上减少了网络的层数或者滤波器个数），后端压缩对网络结构有不可逆的大幅度改变，造成原有深度学习库、甚至硬件设备不兼容改变之后的网络。，是指包括低秩近似、未加限制的剪枝、参数量化以及二值网络等，目标在于尽可能减少模型大小，会对原始网络结构造成极大程度的改造。，是指在不改变原网络结构的压缩技术，主要包括知识蒸馏、紧凑的模型结构涉及以及滤波器（filter）层面的剪枝等。
2023-05-27 09:06:30
78
1
原创 动态规划中等题目—一维数组，python版本
j * (i - j) 是单纯的把整数拆分为两个数相乘，而j * dp[i - j]是拆分成两个以及两个以上的个数相乘。dp[i] 是依靠 dp[i - j]的状态，所以遍历i一定是从前向后遍历，先有dp[i - j]再有dp[i]。所以递推公式：dp[i] = max({dp[i], (i - j) * j, dp[i - j] * j});因为在递推公式推导的过程中，每次计算dp[i]，取最大的而已。其实可以从1遍历j，然后有两种渠道得到dp[i].一个是j * dp[i - j]，
2023-05-27 08:56:05
102
1
原创 回溯-python
再来看一下参数，因为回溯算法需要的参数可不像二叉树递归的时候那么容易一次性确定下来，所以一般是先写逻辑，然后需要什么参数，就填什么参数。什么时候达到了终止条件，树中就可以看出，一般来说搜到叶子节点了，也就找到了满足条件的一条答案，把这个答案存放起来，并结束本层递归。既然是树形结构，那么我们在讲解二叉树的递归 (opens new window)的时候，就知道遍历树形结构一定要有终止条件。但后面的回溯题目的讲解中，为了方便大家理解，我在一开始就帮大家把参数确定下来。所以回溯也有要终止条件。
2023-05-27 08:54:46
193
1
原创 动态规划完全背包问题，python版本
01背包和完全背包唯一不同就是体现在遍历顺序上，所以本文就不去做动规五部曲了，我们直接针对遍历顺序经行分析！dp[j] 就是所有的dp[j - coins[i]]（考虑coins[i]的情况）相加。我们知道01背包内嵌的循环是从大到小遍历，为了保证每个物品仅被添加一次。所以递推公式：dp[j] += dp[j - coins[i]];dp[j]：凑成总金额j的货币组合数为dp[j]首先在回顾一下01背包的核心代码。确定dp数组以及下标的含义。
2023-05-27 08:54:32
170
1
原创 动态规划0-1背包问题，python版本
放物品i：由dp[i - 1][j - weight[i]]推出，dp[i - 1][j - weight[i]] 为背包容量为j - weight[i]的时候不放物品i的最大价值，那么dp[i - 1][j - weight[i]] + value[i] （物品i的价值），就是背包放物品i得到的最大价值。其实可以发现如果把dp[i - 1]那一层拷贝到dp[i]上，表达式完全可以是：dp[i][j] = max(dp[i][j], dp[i][j - weight[i]] + value[i]);
2023-05-27 08:54:08
1537
1
原创 动态规划基础题目—一维数组，python版本
不考虑dp[0]如何初始化，只初始化dp[1] = 1，dp[2] = 2，然后从i = 3开始递推，这样才符合dp[i]的定义。还有就是dp[i - 2]，上i-2层楼梯，有dp[i - 2]种方法，那么再一步跳两个台阶不就是dp[i]了么。从递推公式dp[i] = dp[i - 1] + dp[i - 2];因为是模拟台阶，而且dp[i]由dp[i-1]dp[i-2]推出，所以是从前到后遍历cost数组就可以了。所以dp[i] = dp[i - 1] + dp[i - 2]。5. 举例推导dp数组。
2023-05-16 19:28:09
197
1
原创 conda笔记
查看目前conda下面有什么虚拟环境：conda env list新建一个虚拟环境：conda create -n [虚拟环境名] python=版本号激活进入这个环境：conda activate [虚拟环境名]退出这个环境：conda deactivate查看该虚拟环境下有哪些库：（先激活进入这个环境，再输入）conda list为某个指定环境下载某个包：conda install -n [虚拟环境名] [包名]或者你已经进入了这个环境，就可以不用指定这个环境：conda install
2023-04-11 21:26:05
71
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人