其实，可以这么理解：“排列的难度”>“组合的难度”。所以在求排列的时候就不能像组合那样无脑查几个值就好，可能得要遍历已有表才行（这也是排列问题多一重循环的原因，排列问题多了第三重循环）。另外，别人总结的应该也是没有错误的，那他们的结论是如何得到的呢？因为有人想在“排列”中节省一下，不使用第三重循环，就变成了以下的代码3。这个代码是不能够交换 i j 的遍历顺序的。但是代码2 是可以交换的。

使用栈数据结构进行全排序

树、堆是用于频繁插入、排序的数据结构。他是一种排序数据结构而不是排序算法。堆和树是有区别的。

Overleaf上用Latex，引用图片报错：reference 'figure1' on page 2 undefined oninput line

多维缩放（Multiple Dimensional Scaling）MDS1算法目的一般的数据是高维的，但是与学习任务相关的一般是某个低维度的分布，即一个低维的嵌入。如上图所示2 算法推导算法的原则是：原始空间中样本之间的距离在低维度能够保持算法的目标：获得样本在低维度空间的坐标，且两个任意样本在低维度空间的欧式距离等于原始空间的距离。具体的算法推导可以看看其他的博客，很多都说的...

小记：spconv是一种可插拔模型，即可以用在几乎任何模型中。因为它将一般模型中的Conv3 ** 3换成了一种新的模型（效果和Conv3** 3一样，但是计算量比较小），模型的其他的地方不变。这种轻量级网络目的是：小、快。但今天在实现的时候发现实际情况不是这样。模型就是把原来的3*3conv换成上面所示的结构。结果以vgg19为baseline。参数量方面：从20M（vgg19）降低到7M。推理

小记：spconv是一种可插拔模型，即可以用在几乎任何模型中。因为它将一般模型中的Conv3 ** 3换成了一种新的模型（效果和Conv3** 3一样，但是计算量比较小），模型的其他的地方不变。这种轻量级网络目的是：小、快。但今天在实现的时候发现实际情况不是这样。模型就是把原来的3*3conv换成上面所示的结构。结果以vgg19为baseline。参数量方面：从20M（vgg19）降低到7M。推理

all_img = torch.tensor([])# 采用下面的语句读取图片img = torch.from_numpy(cv2.imread('{}.JPEG'.format(5))).unsqueeze(0)# 此时 img 的维度 （1,224,224,3）# 将img合并入all_img 中all_img = all_img.cat((all_img,img)) # 报错 Runtime