D - 整数变换问题Description整数变换问题。关于整数i的变换f和g定义如下：f(i)=3i；试设计一个算法，对于给定的2 个整数n和m，用最少的f和g变换次数将n变换为m。例如，可以将整数15用4 次变换将它变换为整数4：4=gfgg(15)。当整数n不可能变换为整数m时，算法应如何处理?对任意给定的整数n和m，计算将整数n变换为整数m所需要的最少变换次数。Input输入数据的第一行有

多维的特征输入：每一个维度的xi乘相应的权值wi的和加上一个偏置量bi，送入sigmoid函数进行二分类多维输入，有多个特征，进行分类机器学习—数据库每行：样本—记录每列：特征—字段矩阵运算可以利用GPU并行运算，for循环不行import numpy as npimport torchimport matplotlib.pyplot as plt# delimiter=','分隔符xy = np

在train模式下和在test模式下Decoder的输入是不同的，在train模式下Decoder的输入是Ground Truth，也就是不管输出是什么，会将正确答案当做输入，这种模式叫做teacher-forcing。，在Encoder中是将所有的词一起输入一起计算，但是在Decoder中不是的，在Decoder中依然是像RNN一样一个一个词输入，将已经出现的词计算得到的Q与Encoder计算得

Dense全连接 DeepDNN稠密网络，全连接网络（权重最多，占大头）卷积 权重少 原因是：卷积核上权重整个图像上是共享的，所以参数少循环神经网络RNN：专门用来处理带有序列关系模式的数据（天气，故事，自然语言），使用权重共享来减少需要训练的权重的数量使用思路：不仅要考虑序连接关系还要考虑先后的时间关系RNN Cell：本质线性层（一个维度映射到另一个维度） 如下图h0先验值：CNN+FC（图像

欧拉法求解：欧拉法求解过程是一个递归的过程，这个思想和牛顿法、梯度下降法是相似的。它就相当于是计算器，我们给出初始to,h(t0),神经网络，要求的时间t ，它就可以自动求解。先由当前点用欧拉法求出下一点wi+1’的值，再用当前点梯度和预报点梯度的平均 作为 区间平均变化率 求解真正wi+1点的值。最近的研究发现梯度下降算法的迭代过程(GDA) 可以看作是常微分方程 (ODE) 的欧拉离散化。先用

IP地址是互联网协议地址，用于标识互联网或本地网络上的设备。IP地址类似于电话号码，第一部分是区号，指定了一个非常大的区域；第二部分是前缀，将范围缩小到本地呼叫区域；最后一部分是用户号码，将范围缩小到具体的连接。IP地址是TCP/IP协议中的一个重要概念，它是实现网络通信的基础之一。IP地址分为IPv4和IPv6两种版本。win+R,cmd打开命令窗口输入ipconfig得到，用于判断IP地址的网

含义是将一个固定不可训练的tensor转换成可以训练的类型parameter，并将这个parameter绑定到这个module里面(net.parameter()中就有这个绑定的 parameter，所以在参数优化的时候可以进行优化)，所以经过类型转换这个变量就变成了模型的一部分，成为了模型中根据训练可以改动的参数。（2）使用self.test = torch.nn.Parameter(torch

（2）反向梯度传播是从最后预测开始，逆着经过整个模型，而Dropout和MLP都是单个token做的，不能将最后y_c结果梯度传给所有token，只有在倒推回自注意力后才能将梯度返传给所有token。所以，去掉class_token序列，拿到所有组成原图的token，将它们reshape回原图的大小。图片划分patch，加上class_token，加上位置编码，传到transformer，分类预测

C:\Users\用户名\AppData里面一般有三个文件夹，分别是Local，LocalLow，Roaming，简单地来说，都是用来存放软件的配置文件和临时文件的，里面有很多以软件名称或软件公司命名的文件夹，理论上都可以删除。软件在慢慢的使用过程中，我们会发现这个软件越来越顺手，可能你改了软件的主题，可能你改了布局，也可能你改了相应的快捷键，等等，特别是一些可定制性强的软件。C:\Users\用

模型做预测时的各种参数值。各种数据集调用形式。