B. 序列交换 给定一个长度为 n 的序列 a，你最少需要多少次“交换相邻两项”的操作，才能满足这个序列先（非严格）增后（非严格）减。 形式化地说，即存在一个 k\in \{1,2,\dots,n\}，使得 a_1 \le a_2 \le \cdots \le a_k \ge a_{k+1} \ge

A. 图的建立 给定一个包含 n 个点、m 条边的简单无向图， 现在需要把这张图补充为一张完全图，但有一个特殊要求： 先选定一个参数 K； 随后反复进行连边操作：仅当顶点 u,v 间当前没有边，且它们的度数之和 至少为 K 时，才允许连边 (u,v)。 若存在一种连边顺序，使得在该参数

什么是分块 用于实现区间更新与区间查询的数据结构， 可用于骗分 。 相较于BIT、线段树等数据结构虽速度较慢，但更加灵活，多种问题均可转化为分块 分块的具体实现（单点修改） 使用查询区间最大值的实现来举例： 定义数组 a_i 为原始输入，b_i 代表 i 号元素对应的块编号，bm_k 代表 k 号块

目前博客从Hugo迁移回了Halo，同时由于对象存储到期且未备份资源导致先前文章中的图片资源丢失，后续直接采用服务器本地存储的方案来存储图片。

Transformer RNN 序列数据处理 输入序列: x_1, x_2, ..., x_n 隐藏状态: h_t = f(h_{t-1}, x_t) 输出: y_t = g(h_t) Decoder-only 分词&词嵌入 位置编码 用于捕获字符在序列中的位置,不用依赖于先前计算,可用于并行计算

2 Stage Detection 筛选 + 滑动窗口分类 计算慢 YOLO: You Only Look Once 仅使用一个CNN网络,速度快 在一次CNN计算中,直接从原始图像上预测物体类别和位置边界框 Step1: 划分单元格 将输入图像分割成 S * S 网格 如果某个object的中心落

Neural Network 神经网络基本单位:神经元 权重(weight):调节权重可控制重视某一特征或忽视某一特征输入 \sum (w_ix_i+b) 其中b为bias(偏置量) 以上为线性变换步骤,运算结果传入激活函数 f 激活函数 Sigmoid (z)=\frac{1}{1+e^{(-z)

密集检索（Dense Retrieval） 使用 CLS 标记的输出嵌入计算相似度，公式为： s_{\text{dense}} = \langle e_q, e_p \rangle 其中 e_q 和 e_p 分别表示查询和表情包描述的嵌入向量。这种基于语义的检索方式能够捕捉用户问题的深层含义。 稀疏

在评估 MemeMeow 这个项目图片输入的标签获取方式时，提出了以下方案： 直接采用图片上文字（仅适用于具有文字的表情包） 使用VLM对图片生成从内容、文字等多方面的标签后，将整体作为标签使用 一个图片具有多个标签 方法3的评估较为复杂，因为每个图片对应的是一个列表，我们可以采取以下方式进行评估。

对于无符号数 A 和 B ，判断 A < B 是否成立 首先对 A 取 NOT 得 ~A 将取反后的值与第二个输入 B 相加 检查是否有进位输出 我们可以利用补码的性质来判断： \text{NOT}(A) + 1 = 2^n - A 有 n=8 接下来对