7.3一直想挑个好日子开始写做题纪要，防止自己太颓，但是咕了很久。今天也并不是什么好日子，只是不想再咕了。不是怎么突然就高二了啊啊啊啊啊。CF1552HGuessthePerimeter以为只有\(4\)次询问次数会有什么逆天不平凡做法，结果还是二分，不过还是比较牛。将原本一个格点看做一个

总览一般的机器学任务是，给定一个输入，预测其对应的的标签、值或一组值。这样的任务使用像是交叉熵损失Cross-EntropyLoss和均方误差损失MeanSquareErrorLoss就行。度量学习MetricLearning则不一样，它的目标是预测不同输入的相对距离。例如，衡量两张人脸的相似程度，或是推

\chapter{非凸优化}\section{非凸优化中的重要概念}\subsection{次微分}\begin{definition}{Frechet次微分}适当函数\(f\)，如果\(\forallx\in\)dom$f\(，则\)f\(在\)x\(处的Frechet次微分记为\)\overset{-}{\partial}f(x)$，它的定义是：$$\overset{-}{\partial}f(x)=\left\l

SVDDef(eigenvalue\eigenvector).Eigenvalue\(\lambda\)andeigenvector\(\bm{v}\)ofmatrix\(A\)satisfy$$A\bm{v}=\lambda\bm{v}.$$Lem1.Let\(M\in\mathbb{R}^{n\timesn}\)isasymmetricmatrix.Let\(\lambda_i\)and\(\bm{u}_i

可微凸优化临近点梯度法 求解约束优化问题： \begin{align*} \mathop{min}\limits_{x}&\quadf(x)\\ s.t.&\quadx\inS \end{align*} 其中，$f$是可微凸函数，$S$是凸集合。这个问题等价于: \begin{align*} \mathop{min}\limits_{x}&\quadf(x)+I_S(x)\\ \end{align*}其中$I

HighdimensiongeometryissurprisinglydifferentfromlowdimensionalgeometryExample1:Volumeconcentratesonshell.Example2:As\(d\rightarrow\infty\),theareaandthevolumnof\(d\)-dimensionalunitball\(\rightarrow\infty\).

次梯度算法： 梯度下降法的迭代格式为$$x_{k+1}=x_k-\alpha_k\nablaf(x_k)$$ 但是对于不可微的凸函数，梯度并不存在，于是使用此梯度算法： $$x_{k+1}=x_k-\alpha_kg_k)$$其中$g_k\in\partialf(x_k)$次梯度算法的收敛性证明：假设：$f$是凸函数且存在最小值点$f^*$，且是$G-$利普西茨连

**梯度下降法:** 对于无约束最优化问题：$$\mathop{min}_{x}f(x)$$其中$f$是可微函数,梯度下降法的更新方式如下: $$x_{k+1}=x_k-\alpha_k\nablaf(x_k)$$ 步长$\alpha_k$有多种选择方式，普通的梯度法就选择固定步长$\alpha$。 下面介绍固定步长的梯度下降法在凸函数以及强凸函数

 chitose epsilon2_1   haru-01 haru-02hijikitororoert_classicvert_normalvert_swimwearryoufukuseifukushifuku小埋玉藻前伊芙加登 

0前引向量是一个在物理学中十分常见的概念，在数学和编程中的应用也很广泛。今天来浅谈一下向量的一些基本运算及其应用。1定义向量是一个有方向，有长度的量，在坐标系中通常通过起点坐标和终点坐标表示。为了方便运算，七点坐标通常被设为原点。但正如同刚才所说，向量的两个关键因

前言可能需要一点二项式定理和二项式反演的相关知识。有许多不足还请指出。公式经典容斥\(A_1,A_2,\cdots,A_n\)均为有限集，\(A_i\subseteqS\)，则\[\left\vert\bigcup\limits_{i=1}^nA_i\right\vert=\sum\limits_{k=1}^n(-1)^{k-1}\sum\limits_{1\lei_1<i_2<\cdots<i_k\le

【洛谷博客】被降智的一道简单题。题意\(n\)个岛屿，第\(i\)座桥连接\(i\)和\(i+1\)（第\(N\)座桥连接着\(1\)和\(N\)）。有一条长度为\(M\)的旅游序列\(X\)，你需要按照顺序依次经过这些点，选择断掉一座桥使得旅游经过的桥最少。分析设断掉第\(i\)座桥会因为绕行增

Updateon2022.11.12：修正了一处小错误希望这份东西能尽量帮助大家，节省在\(\LaTeX\)公式大全中寻找的时间，欢迎在评论区提出建议。如果您有需求，例如添加某一部分的公式，可私信号主。插入公式$你要插入的公式$这是普通插入（即紧跟随文字插入）$$你要插入的公式（最好是比较大的）$$

群论群的基本概念定义：给定一个集合\(G\)和关于该集合的一种二元运算\(*\)。我们称\(G\)在\(*\)的运算下是一个群（\(*\)在表示的时候可以省略），当且仅当满足以下条件。若有\(a,b\inG\)，则一定有\((a*b)\inG\)；若有\(a,b,c\inG\)，则\((a*b)*c=a*(b*c)\)；存在单位元，我

几万年前做的dp题了，有亿点点水题意简述求一个字符串添加多少个空格距离最小解法求距离最小，可以考虑动规，其实这题的写法和最长公共子序列的写法类似。我们设\(f(i,j)\)表示\(a[1]\sima[i]\)和\(b[1]\simb[j]\)的距离不加空格的时候为\(f(i,j)=f(i-1,j-1)+\le

有段时间没有更新了，年尾嘛大家都懂的。其实最近有个想法，想将自己的vtx_fw框架给开源了。但开源之前还是有很多收尾的工作需要做的（总不能让各位笑话吧o(╥﹏╥)o），这不今天就发现了一个问题，立刻就归纳一下给各位分享。这个问题就是Vert.x框架中日期类型数据在Jackson序列化下的

前置\(KMP\)：\(O(n)\)求解字符串匹配的算法。维护前缀数组\(p_i\)表示字符串\(s\)以\(i\)结尾的最长公共前后缀的长度；\(border\):对于字符串\(s\)，如果存在一个子串\(t\)满足\(t\)既是\(s\)的一个前缀又是\(s\)的后缀，则称\(t\)是\(s\)的一个border;Z函数

二项式反演基本定义设\(f(n)\)表示在恰好选择\(n\)个不同元素满足某种条件的方案数，\(g(n)\)表示在\(n\)个不同元素选择任意个满足该条件的方案数。那么对于\(f\)和\(g\)的关系有下式。\[g(n)=\sum\limits_{i=0}^n\dbinom{n}{i}f(i)\]但是现在的问题是我们可以快速

5.1Linearclassification考虑如下问题：\(\mathbb{R}^N\)上的\(\calX\)服从某个未知分布\(\calD\)，并由目标函数\(f:\calX\toY\)映射到\(\{-1,+1\}\)。根据采样\(S=(({\bfx}_1,y_1),\dotsb,({\bfx}_m,y_m))\)确定一个二分类器\(h\in\calH\)，使得其泛化

1运动模糊原理​开启混合（Blend）后，通过Alpha通道控制当前屏幕纹理与历史屏幕纹理进行混合，当有物体运动时，就会将当前位置的物体影像与历史位置的物体影像进行混合，从而实现运动模糊效果，即模糊拖尾效果。主要代码如下：Pass{BlendSrcAlphaOneMinusSrcAlphaCGPROGR

问题①：在表面着色器中修改顶点信息——#pragmasurfacesurfLambertvertex:vert/***********/voidvert(inoutappdata_fullv,outInputo){UNITY_INITIALIZE_OUTPUT(Input,o);/**********/}appdata_full是unity给我们的输入结构体，另外还有一些unity

postedon2021-07-0717:38:14|under题解|source设题目中分给每个朋友的苹果数为\(x\)，显然有\(x\vertr\landx\vertg\)，也就是\(x\vert\gcd(r,g)\)。我们都知道，如果\(a\timesb=c\)，那\(a\)和\(b\)都是\(c\)的因数，也就是说因数都是成对出现的（注意特判完全平方

每日疑难——2023年7月14日证明复数形式的Lagrange等式：\[\vert\sum_{j=1}^nz_jw_j\vert^2=\left(\sum_{j=1}^n\vertz_j\vert^2\right)\left(\sum_{j=1}^n\vertw_j\vert^2\right)-\sum_{1\leqslantj<k\leqslantn}\vertz_j\overline{w}_k-z_k\overlin

Problem给出两个长度均为\(n\)的数组\(a\)和\(b\)，其中\(a_i\)中有一些位置是。你需要将\(a\)中若干个\(0\)修改成其他的数，要求最终的数组a满足：\(\{a_i\}\{b_i\}\)中，所有数都是\([0,x]\)之间的整数;所有正整数在\(\{a_i\}\)和\(\{b_i\}\)中的出现次数

希望通过本文的解析，让读者了解Vertx的关键部分的实现原理。对诸如如下问题有一个具象的认识。Vertx实例的作用？一个应用是否只对应一个Vertx实例？Verticle是一个怎样的存在？本地模式下消息是如何在EventBus上传输和响应的？EventBus和EventLoop是如何关联起来的？概述Vert.x是一个事件驱