假设二叉树采用二叉链表方式存储， root指向根结点，node 指向二叉树中的一个结点，编写函数 path，计算root到 node 之间的路径，（该路径包括root结点和 node 结点）。

编写算法，在一非递减的顺序表L中，删除所有值相等的多余元素。要求时间复杂度为O(n)，空间复杂度为O(1)。

使用队列，编写transfrom函数，将普通树转换成对应的二叉树。

1）实现十字链表的初始化操作：其中 L 指向 CrossList 结构，且各成员已被初始化为0；A 为 ElemType 类型数组中第一个元素的地址，元素的个数为 m×n 个，按行优先存储（即A[0] 为十字链表第1行第1列的元素；A[1] 为第1行第2列的元素，A[n] 为第2行第1列的元素，A[n+1] 为第2行第2个元素）；m 表示十字链表的行数，n 表示十字链表的列数。init_cross

原理：是在给定窗口大小的情况下，对左图像和右图像的对应窗口进行比较，计算它们之间的绝对差的总和，从而确定最佳匹配的视差。利用图像卷积的思想，通过对每个候选视差值计算绝对差图像，并将其与一个均值滤波器进行卷积操作来实现视差图的计算。视差图：以左视图视差图为例，在像素位置p的视差值等于该像素在右图上的匹配点的列坐标减去其在左图上的列坐标。局部窗口匹配：块匹配方法通常只考虑局部窗口内的像素信息进行匹配，

试在邻接表存储结构上实现图的基本操作 insert_vertex 和 insert_arc

- **目标**：学习一个模型，能够从源图像 $I_s$ 和驱动图像 $I_d$ 中提取外观和动作信息，合成出具有 $I_s$ 外观和 $I_d$ 动作的3D人头。- **3D表示**：采用基于 Tri-plane 的 NeRF 作为底层的3D表示方式，兼具高保真度和高效率。- **核心组件**：- **GenHead模型 $G$**：用于合成多视角、多 identitiy 、多 motion 的

在实验室服务器上的时候，一般是没有 root 权限的，而服务器可能只安装了特定版本的 CUDA 和 GCC，我们就需要自己安装自己需要版本的 CUDA/GCC 来满足安装包时的环境要求。而 Conda 除了安装 Python 的包以外，其还提供了很多其他库——比如CUDA、GCC甚至还有 COLMAPmore，那么我们就可以很方便的安装自己的环境的啦！

安装 cuda-toolkit 就相当于在安装完 pytorch-cuda 的需要的部分 cuda 库后，进行了补充安装，都是同一个 channel 的当然就不会有问题了。才对的上CUDA版本12.1的Pytorch。但是我们在安装的时候，先安装CUDA版本12.1的Pytorch，再安装。，我们只好迁就 pytorch，安装12.1.0的CUDA，但是呢！也就是说，该死的CUDA版本12.1的P

我们以采用 GitHub 上的开源库 [cuda-bundle-adjustment](https://github.com/fixstars/cuda-bundle-adjustment) 为例，其不能直接用vcpkg进行安装，只能通过cmake编译后链接到VS2022。将 cuda-bundle-adjustment 库通过 CMake 编译链接到 Visual Studio 2022 步骤操