-
![【求知=>算法】旋转图像]()
RainNight
2022-01-5
求知=>算法
316°
## 旋转图像
---
给定一个 `n×n` 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。
你必须在原地旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要使用另一个矩阵来旋转图像。
示例 1：
---
```
输入：matrix = [[1,2,3],[4,5,6],[7,8,9]]
输出：[[7,4,1],[8,5,2],[9,6,3]
-
![【求知=>算法】有效的数独]()
RainNight
2022-01-5
求知=>算法
328°
## 有效的数独
---
请你判断一个`9 x 9` 的数独是否有效。只需要 根据以下规则 ，验证已经填入的数字是否有效即可。
数字`1-9`在每一行只能出现一次。
数字`1-9`在每一列只能出现一次。
数字`1-9`在每一个以粗实线分隔的 3x3 宫内只能出现一次。（请参考示例图）
注意：
---
* 一个有效的数独（部分已被填充）不一定是可解的。
* 只需要根据以上规则，验证已经填入的数字是否有效即可。
* 空白格用 `’.’` 表示。
示例 1：
---
方法的使用]()
RainNight
2022-01-5
Python
290°
## reverse()方法的使用
---
`reverse() 函数`用于反向列表中元素。
该方法没有返回值，但是会对列表的元素进行反向排序。
### 案例分析
---
```
list = ['抖音', '火山', '快手', 'TikTok']
print("列表反转前: ",list)
list.reverse()
print("列表反转后: ",list)
```
方法的使用]()
RainNight
2022-01-5
Python
293°
## isdigit()方法的使用
---
`isdigit() 方法`检测字符串是否只由数字组成。
如果字符串只包含数字则返回 True 否则返回 False。
### 案例分析
---
```
str = "123456"
print (str.isdigit())
Sstr = "www.netearn.top"
print (Sstr.isdigit())
```
 函数的使用]()
RainNight
2022-01-5
Python
294°
## zip() 函数的使用
---
`zip() 函数`用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的对象，这样做的好处是节约了不少的内存。
我们可以使用 list() 转换来输出列表。
如果各个迭代器的元素个数不一致，则返回列表长度与最短的对象相同，利用 * 号操作符，可以将元组解压为列表。
> zip 方法在 Python 2 和 Python 3 中的不同：在 Python 2.x zip() 返回的是一个列表。
```
zip([iterabl
-
![count()方法的使用]()
RainNight
2022-01-5
Python
301°
## count()方法的使用
`count() 方法`用于统计字符串里某个字符出现的次数。可选参数为在字符串搜索的开始与结束位置。
### count()方法语法：
---
```
str.count(sub, start= 0,end=len(string))
```
> sub -- 搜索的子字符串
> start -- 字符串开始搜索的位置。默认为第一个字符,第一个字符索引值为0。
> end -- 字符串中结束搜索的位置。字符中第一个字符的索引为 0。默认为字符串的最后一个位置。
>
-
![set函数的使用]()
RainNight
2022-01-5
Python
286°
集合`（set）`是一个无序的不重复元素序列。
可以使用大括号 `{ }` 或者 `set() 函数`创建集合，注意：创建一个空集合必须用 `set()` 而不是 `{ }`，因为 `{ }` 是用来创建一个空字典。
* 去重功能
```
basbasket = {'red', 'black', 'blue', 'red', 'blue', 'black'}
#类似于
basket = set(('red', 'black', 'blue', 'red', 'blue', 'black'))
`
-
![释放果蝇半脑连接组——大脑连接的最大突触分辨率图]()
描述复杂系统的基本方法是测量其“网络”——各个部分相互连接和通信的方式。例如，生物学家研究基因网络，社会科学家研究社交网络，甚至搜索引擎都部分依赖于分析网页通过相互链接形成网络的方式。
在神经科学中，一个长期存在的假设是脑细胞之间的连接在大脑的功能中起着重要作用。虽然技术困难历来是神经科学家试图详细研究大脑网络的障碍，但这种情况正在开始改变。去年，我们宣布了对整个果蝇大脑的首个纳米分辨率自动重建，其重点是细胞的个体形状。然而，这一成就并没有透露有关它们的连通性的信息。
今天，与HHMI Jane
-
![改革者：高效的变压器]()
理解顺序数据（例如语言、音乐或视频）是一项具有挑战性的任务，尤其是在依赖广泛的周围环境时。例如，如果一个人或一个物体在视频中从视图中消失，但很晚才重新出现，许多模型会忘记它的样子。在语言领域，长短期记忆(LSTM) 神经网络覆盖了足够的上下文来逐句翻译。在这种情况下，上下文窗口（即翻译中考虑的数据范围）涵盖从几十个到大约一百个单词。最近的Transformer 模型不仅提高了逐句翻译的性能，而且可用于通过多文档摘要生成整个维基百科文章。这是可能的，因为 Transformer 使用的上下文窗口扩
-
![使用机器学习以高分辨率“临近预报”降水]()
天气可以以平凡和严肃的方式影响一个人的日常生活，而预测的精确度会极大地影响他们处理天气的方式。天气预报可以告知人们是否应该采取不同的路线上班，是否应该重新安排计划在周末的野餐，或者甚至由于暴风雨即将来临而需要撤离家园。但是，对于局部风暴或以小时为单位演变的事件（例如雷暴），做出准确的天气预报尤其具有挑战性。
在“基于雷达图像的降水临近预报的机器学习，”我们正在介绍用于降水预测的机器学习模型开发的新研究，该模型通过进行适用于近期的高度局部化的“无物理”预测来应对这一挑战。机器学习的一个显着优势是，
