news 2026/2/7 23:19:32

学习日记day70

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
学习日记day70

Day70_0127

专注时间:目标是:5h30~6h。实际:6h26min。1.调整学习路线;2.调整算法学习方法;3.重视工程能力。

每日任务:饭后的休息(25min),学习间歇的休息(15min)都用手表计时器来监督

{step1}40min=二刷1道力扣hot100+昨天的题再做一遍(如果是hard,只做一道就好完成情况及时长:二刷昨日题目:6min,今日题目:64min);【学习资源:PyTorch官方文档:https://docs.pytorch.ac.cn/tutorials/beginner/basics/intro.html】1.5h=PyTorch工程实操(完成情况及时长:0。把第二个pytorch网页的“局部禁用梯度计算”看懂,就去看第一个pytorch网页);{step4}1h=周志华机器学习(完成情况及时长:0min);{setp3}1.5h+(claude的《RL4LLM》+《Claude Opus 4.5深度思考RLHF学习路径》学习路径,时长:min){step2,计网考纲复习+模式识别复习}3h=计算机网络考纲题目背诵](完成情况及时长:);

学完机器学习,然后是深度学习。学完PyTorch,之后是Transformer与大模型架构(见Gemini3pro生成的阶段2)。学快一点。准备一个GitHub Repo把所有手撕过的算法整理进去,这会是最好的复习资料。

必须熟记的API、最简洁的GPT实现、带注释的Transformer实现、推荐系统模型库(包含主流模型实现)还有“Let's build GPT”系列学习视频见Claude的第20页。冰哥听讲座,老师说:GPT是最好的老师,不需要其他家教,清华学生智商120,GPT有140。多用大模型来帮助学习。

学习内容:如上

总结与心得:依旧早起,早餐后娱乐了45min。中午也娱乐了1h,还好其他时间利用好专注下来了。回溯的感觉要好了一些,目前期末复习的任务量还是有点大。这几天都没搞RL4LLM。用typora,这种文件夹很方便复习和面试准备。

《131.分割回文串》

class Solution(object): def partition(self, s): """ :type s: str :rtype: List[List[str]] """ #先分割,是回文串就记录答案。“使每个子串都是回文串”那么,是不是有点像动态规划?每步要依赖上一步。 #或者把每次递归搜索看成是在字符串里加逗号(分割符号)的过程,len = n有n-1个位置可以放逗号。放置完逗号之后,左边s[:i+1](是s[i]作为子串的最后一个字符)应当是回文(需要判断吗),然后对右边s[i+1:]视作新的字符串进行同样的方法去递归就好了。 #现在写写伪代码。应该是需要回文判断函数的。一定要有耐心。 #**对每个串(分割结果)先判断是否回文**。若不是,则此轮(一轮递归的意思,每轮至多放n-1个逗号)清空path。递归终止,也就是剪枝。是回文就加入到path中?当len(path)==len(s)加入到ans中 #n-1个位置,可以放插板也可以不放,就是2^(n-1)放法。放完插板要保证插板左边的是回文 #第n-1个位置是一定要放挡板的(i==n-1时候一定要分割),不然就分割不出来那个字符。 self.ans = [] #临时路径列表,记录当前正在尝试的分割子串,比如递归过程中可能先存['a'],再存['a','a'],回溯时候恢复状态 self.path = [] #具体方法:在字符串的每个字符间隙选择是否分割,对于每个位置,有两种选择 #1.不分割,继续往后延伸当前子串 #2.分割,检查当前子串是否是回文串,若是则记录该子串,然后从下一个位置开始新的子串。通过递归检查所有可能的选择,最终收集合法的分割方案。 n = len(s) #现在不知道参数怎么写,要写哪些 def backtrack(i,start): #i:当前处理到字符串的第i个字符(索引从0开始) #start:当前正在构建回文串的起始位置(比如从0开始构建子串,还没分割时候,start=0) #递归终止条件:当前子串不是回文串,则需要剪枝?;下一步:当前路径列表长度==字符串长度,则收集该答案并终止递归 #注意.append(list.copy()) if i == n: self.ans.append(self.path[:]) return #两次dfs (因为有 选择分割 和 选择不分割 两种选择) if i<n-1: #不分割,继续往后看 backtrack(i+1,start) #分割: t = s[start:i+1] #第一个冒号:从字符串开始 #第二个冒号:到字符串结束 #-1:步长为-1,表示从后向前取字符 if t == t[::-1]: self.path.append(t) backtrack(i+1,i+1) self.path.pop() backtrack(0,0) return self.ans
class Solution(object): def partition(self, s): """ :type s: str :rtype: List[List[str]] """ #另一种解法:考虑s[i:]怎么分割,列举i:n的尾巴j就好 self.path = [] self.ans = [] n = len(s) def backward(i): if i == n: self.ans.append(self.path[:]) return for j in range(i,n): t = s[i:j+1] if t == t[::-1]: self.path.append(t) backward(j+1) self.path.pop() backward(0) return self.ans
版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/7 21:00:56

《蒸汽、钢铁与无限心智》深度研究:我们是否正在重复100年前工厂主的错误?

1. 核心论断:历史隐喻下的"水轮阶段"困境 1.1 工业革命的历史镜鉴 1.1.1 蒸汽机初期的认知局限:水轮替换陷阱 在工业革命初期,英国兰开夏郡的纺织工厂最初依河而建,依靠水车驱动机械运转。这种动力模式虽然利用了自然力量,却受限于地理位置与季节变化,将生产…

作者头像 李华
网站建设 2026/2/6 5:11:04

汽车制造业可观测性平台选型指南

行业现状与痛点分析随着汽车行业向智能化、网联化、电动化转型&#xff0c;传统汽车制造企业正面临数字化转型的深刻挑战。现代汽车制造生态系统日益复杂&#xff0c;涵盖了生产线设备、供应链管理系统、车联网平台、移动应用程序和经销商网络等多个层面。主要痛点包括&#xf…

作者头像 李华
网站建设 2026/2/7 19:29:21

面试-RMSNorm和LayerNorm的区别

1 LayerNorm 背景: 在神经网络中,每一层输出都将作为下一层的输入。 问题: 在训练过程中,前一层参数的微小更新,所带来的输出会导致后一层输入的分布发生剧烈变化。这就是层与层之间的动态失调。俗称 内部协变量偏移(Internal Covariate Shift)。 现象: 比如,第一层…

作者头像 李华
网站建设 2026/2/7 8:28:17

GPU 和 CPU 渲染谁更顶?新手必看的选型指南

在3D渲染、影视后期、游戏开发领域&#xff0c;“GPU与CPU渲染选哪个”是高频争议题。新手纠结硬件选型&#xff0c;老手权衡效率与质量&#xff0c;实则二者无绝对优劣&#xff0c;核心是适配场景——如同搬东西&#xff0c;CPU像法拉利&#xff08;快但装载量小&#xff09;&…

作者头像 李华
网站建设 2026/2/7 19:18:46

【六杆】六杆快速回归机制运动学和动力学分析附Matlab代码

✅作者简介&#xff1a;热爱科研的Matlab仿真开发者&#xff0c;擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 &#x1f34e; 往期回顾关注个人主页&#xff1a;Matlab科研工作室 &#x1f447; 关注我领取海量matlab电子书和数学建模资料 &#…

作者头像 李华