主要是通过递归的方法，快排的基本原理就是先选定一个基准，然后把数组中全部小于这个数的放到基准的前面，大于这个数的放到基准的后面。每次递归的输出结果分成了三部分，再叠加成一个数组，分别是小于基准的数组，基准，大于基准的数组。然后再对分出来的数组不断进行快排，直到只剩下一个元素的时候，直接返回。 注意不能数组＋数字，所以返回的基准要放在数组里！def kuaisupaixu(nums):...

莽撞了~一直在试结果。。。做题不可如此。下面解法的关键思想是高位的元素如果越小越好，所以如果比之前位上的值更小，那么就把之前位上的值去掉~~ 所以比栈顶大的元素直接入栈， 如果比栈顶小，就把栈顶弹出来~~class Solution:def removeKdigits(self, num: str, k: int) -> str:if len(num) == k:return "0"res

pytorch保存模型等相关参数，利用torch.save()，以及读取保存之后的文件本文分为两部分，第一部分讲如何保存模型参数，优化器参数等等，第二部分则讲如何读取。假设网络为model = Net(), optimizer = optim.Adam(model.parameters(), lr=args.lr), 假设在某个epoch，我们要保存模型参数，优化器参数以及epoch一、save先

python staticmethod 返回函数的静态方法。该方法不强制要求传递参数，如下声明一个静态方法：class C(object):@staticmethoddef f(arg1, arg2, ...):...#!/usr/bin/python# -*- coding: UTF-8 -*-class C(object):@staticmethoddef f():print('runoob'

模式识别目的：利用计算机对物理对象进行分类， 在错误概率最小的条件下，使识别的结 果尽量与客观物体相符合机器学习：研究如何构造理论、算法 和计算机系统，让机器通过从数据中 学习后可以进行如下工作：分类和识 别事物、推理决策、预测未来等。模式识别的目标是在特征空间和解释空间中找到一种映射关系，称其为假说。特征空间：从模式得到的对分类有用的度量、属性 或基元构成的空间。机器学习的目标：针对某类任务T，

计算机视觉、机器学习、模式识别，相关性很大。怎样处理大数据量、高维数、非结构化的数据呢？• 直接在高维数据上处理； 维数灾难，所需要的样本数量随着维数的增加指数增加，模型的复杂程度指数增加。• 降维后再对低维数据进行处理； -自空间分析，通过线性或线性变换压缩到一个低维的子空间中，在低维的子空间中使样本的分布更紧凑，更加有利于分类，计算复杂度减少。• 升到更高维度上再进行处理；经典空间分析方法：1