1. 第一题：122. 买卖股票的最佳时机 II按照我自己的渐进思路写出四种方法，前三种都是动态规划，最后一种是贪心。方法1：二维动态矩阵思路是维护一个n*2的动态矩阵，dp[i][0]表示第i天不持有股票的最大利润，dp[i][1]表示第i天持有股票的最大利润。那么则有转移方程如下：第i天持有股票的最大利润 = max（保持i-1天持有股票， i-1天不持有股票 + 今天买入）第i天不持有股票的

关于pytorch反向传播的思考

直接给出代码：class data_prefetcher():def __init__(self, loader):#loader 1：real#loader 2：fakeself.stream = torch.cuda.Stream()self.loader = iter(loader)self.preload()def preload(self):try:

1. 一般分类任务实现：二分类在二分类中，pytorch主要可以应用的损失函数分为以下四个：F.cross_entropy()与torch.nn.CrossEntropyLoss()F.binary_cross_entropy()与torch.nn.BCELoss()之所以将四个函数分成两类，是因为：前者输入是非onehot label + logit，函数会自动将logit通过softmax映射

这些问题是在转谱归一化spectral_norm中遇到的。首先遇到的就是torch.mv算子和torch.dot算子不支持的问题。目前pytorch已经官方实现了谱归一化：spectral_norm，其中包含了torch.mv、 torch.dot算子，转onnx会出现错误解决办法：将torch.mv和torch.dot用torch.matmul代替，不过可能需要自己改变一下tensor的维度。（

xml格式可视化这里分了两类（1）目标被标注为正矩形，即（xmin，ymin），（xmax，ymax)，一般的voc数据类型都是这种标注形式（2）目标被标注为具有一定旋转角度的矩形，即（x1，y1），（x2，y2），（x3，y3），（x4，y4），DOTA数据集就是这样的标注形式import cv2import osimport numpy as npimport xml...

1. 损失函数、代价函数与目标函数损失函数（Loss Function）：是定义在单个样本上的，是指一个样本的误差。代价函数（Cost Function）：是定义在整个训练集上的，是所有样本误差的平均，也就是所有损失函数值的平均。目标函数（Object Function）：是指最终需要优化的函数，一般来说是经验风险+结构风险，也就是（代价函数+正则化项）。从学习任务的类型出发，可以从...

参考：海森矩阵和牛顿法人工智能-损失函数-优化算法：牛顿法的背后原理【二阶泰勒展开】牛顿法与Hessian矩阵给出一个总结：牛顿法法主要是为了解决非线性优化问题，其收敛速度比梯度下降速度更快。其需要解决的问题可以描述为：对于目标函数f(x)，在无约束条件的情况下求它的最小值。牛顿法的主要思想是：在现有的极小值估计值的附近对做二阶泰勒展开，进而找到极小点的下一个估计值，反复迭代直到函数的一阶导数小于

1. 求特征图大小及感受野参考博客：关于感受野的理解与计算感受野计算总结某一个网络有三个操作，输入大小为200×200，第一层为卷积层，卷积核的大小为5×5，stride为2，padding为1；第二层为池化层，池化大小为3×3，stride为1；第三层为卷积层，卷积核大小为3×3，padding为1，stride为1.求每一层特征图的大小及感受...

1. 求特征图大小及感受野参考博客：关于感受野的理解与计算感受野计算总结某一个网络有三个操作，输入大小为200×200，第一层为卷积层，卷积核的大小为5×5，stride为2，padding为1；第二层为池化层，池化大小为3×3，stride为1；第三层为卷积层，卷积核大小为3×3，padding为1，stride为1.求每一层特征图的大小及感受...