发现一个序列\(x\)不止可以用一个\(p\)得到，肯定不能直接计数，考虑构造一个映射。假如已经定下了\(x\)，我们通过一种固定的操作得到\(p\)，这样就能改为统计可以由操作得到的\(p\)的数量，他们同样唯一对应一个\(x\)。我们考虑枚举从\(n\)到\(1\)去枚举\(v\)，对每个\(v\)

因为一组\(x\)可能对应多组\(p\)，考虑怎么让决策唯一化。我们从大到小依次钦定每个值的位置，即倒着遍历\(i=n,n-1,\cdots,1\)，找到最左端的位置\(v\)满足，对于现在还活着的所有区间\(j\)满足\(l_j\lev\ler_j\)，都有\(x_j=v\)，令\(p_j=i\)，然后删去所有包含\(i\)的区间。

argmax函数参数dim=0表示从列获取最大值索引，dim=1从行获取最大值索引，dim=-1从最后一个维度获取最大值索引[1]。举例importtorchd=torch.tensor([[9,7,6], [4,8,2],[5,10,0]])print(torch.argmax(d,dim=0))#结果应为9，10，6的所在列的索引==》0，2，0prin

从张量的特定维度上取出最大的元素值所对应的索引

测试从图中我们可以发现，随着训练次数的增加，Loss越来越小，准确率也是越来越高·。但是在到达某个节点后，随着训练次数的增多Loss反而不稳定起来，准确率也发生波动。所以说明模型的训练并不是次数越多越好。这是因为对于同一个训练集，不断地训练会让模型记住这些样本的一些表面属性，使

起因今天和同组讨论了一下网络输出时，在torch.argmax之前经过torch.sigmoid和不经过sigmoid的区别。主要起因是实验结果图像不同图1不经过sigmoid图2经过sigmoid我们发现经过sigmoid预测的图像更加严格（实验结果证明，经过sigmoid效果好），会将一些不经过sigmoid预测的前景分

计数水平下滑非常严重，于是来练计数题了。[AGC056B]RangeArgmaxAGC的B题要花这么久，我是普及组选手。先考虑判定性问题，即\(\{x_1,x_2,\cdots,x_m\}\)何时合法。考

使用underset可以将符号置于符号的正下方，例如在mathtype中，可以表示为$\pi^*(s,a)argmax\underset{a\inA}{Q}^k(s,a)