1. 1
  2. 2
  3. 3
  4. 4
  5. 5
  • 【求知=>算法】两数之和

    【求知=>算法】两数之和

    RainNight 2021-12-30 求知=>算法

    387°

    ## 两数之和 --- 给定一个整数数组 `nums`和一个整数目标值 `target`,请你在该数组中找出 和为目标值 `target`的那两个整数,并返回它们的数组下标。 你可以假设每种输入只会对应一个答案。但是,数组中同一个元素在答案里不能重复出现。 你可以按任意顺序返回答案。 示例 1: --- > 输入:nums = [2,7,11,15], target = 9 > 输出:[0,1] > 解释:因为 nums[0] + nums[1] == 9 ,返回 [0, 1] 。 示例 2:
  • 【求知=>算法】移动零

    【求知=>算法】移动零

    RainNight 2021-12-30 求知=>算法

    344°

    ## 移动零 --- 给定一个数组 `nums`,编写一个函数将所有 0 移动到数组的末尾,同时保持非零元素的相对顺序。 示例: --- > 输入: [0,1,0,3,12] > 输出: [1,3,12,0,0] 说明: --- 1. 必须在原数组上操作,不能拷贝额外的数组。 2. 尽量减少操作次数。 ## 解题思路 --- 1. 直接判断当前值是否等于0,如果等于0就删除掉,然后在末尾补0 ``` nums = [0,1,0,3,12] for j in nums: if j == 0: nu
  • 【求知=>算法】 加一

    【求知=>算法】 加一

    RainNight 2021-12-30 求知=>算法

    322°

    ## 加一 --- 给定一个由 **整数**组成的**非空** 数组所表示的非负整数,在该数的基础上加一。 最高位数字存放在数组的首位, 数组中每个元素只存储**单个**数字。 你可以假设除了整数 0 之外,这个整数不会以零开头。 示例 1: --- > 输入:digits = [1,2,3] > 输出:[1,2,4] > 解释:输入数组表示数字 123。 示例 2: --- > 输入:digits = [4,3,2,1] > 输出:[4,3,2,2] > 解释:输入数组表示数字 4321。 示
  • 【求知=>算法】两个数组的交集 II

    【求知=>算法】两个数组的交集 II

    RainNight 2021-12-30 求知=>算法

    336°

    ## 两个数组的交集 II --- 给你两个整数数组 `nums1` 和 `nums2` ,请你以数组形式返回两数组的交集。返回结果中每个元素出现的次数,应与元素在两个数组中都出现的次数一致(如果出现次数不一致,则考虑取较小值)。可以不考虑输出结果的顺序。 **示例 1:** --- > 输入:nums1 = [1,2,2,1], nums2 = [2,2] > 输出:[2,2] **示例 2:** --- > 输入:nums1 = [4,9,5], nums2 = [9,4,9,8,4] >
  • 【求知=>算法】只出现一次的数字

    【求知=>算法】只出现一次的数字

    RainNight 2021-12-30 求知=>算法

    363°

    ## 只出现一次的数字 ---- 给定一个非空整数数组,除了某个元素只出现一次以外,其余每个元素均出现两次。找出那个只出现了一次的元素。 说明: --- > 你的算法应该具有线性时间复杂度。 你可以不使用额外空间来实现吗? 示例 1: --- > 输入: [2,2,1] > 输出: 1 示例 2: --- > 输入: [4,1,2,1,2] > 输出: 4 ## 解题思路 1. 位运算方案 --- > ^符号为异或,本质上是将数字转换为二进制,之后进行进行位运算。 > 相同得0,不同得1,其实也
  • 使用 GLaM 更高效的上下文学习

    使用 GLaM 更高效的上下文学习

    RainNight 2021-12-28 人工智能谷歌翻译

    302°

    大型语言模型(例如,GPT-3)具有许多重要的功能,例如在各种任务中执行小样本学习,包括阅读理解和用很少或没有训练示例的问题回答。虽然这些模型可以通过简单地使用更多参数来获得更好的性能,但训练和服务这些大型模型的计算量可能非常大。是否可以更有效地训练和使用这些模型? 在“ GLaM: Efficient Scaling of Language Models with Mixture-of-Experts ”中,我们介绍了通用语言模型 (GLaM),这是一个万亿权重模型,由于稀疏性,可以有效地训练
  • 一个快速 WordPiece 标记化系统

    一个快速 WordPiece 标记化系统

    RainNight 2021-12-28 人工智能谷歌翻译

    345°

    标记化是大多数自然语言处理(NLP) 应用程序的基本预处理步骤。它涉及将文本拆分为称为标记的较小单元(例如,单词或词段),以便将非结构化输入字符串转换为适用于机器学习(ML) 模型的离散元素序列。在基于深度学习的模型(例如,BERT)中,每个标记都映射到一个嵌入向量以输入模型。 ![file](/static/upload/bigpic/20211228/1640697870779183174.png) 一种基本的标记化方法是将文本分解为单词。但是,使用这种方法,未​​包含在词汇表中的单词将被视
  • 用于时间序列预测的可解释深度学习

    用于时间序列预测的可解释深度学习

    RainNight 2021-12-28 人工智能谷歌翻译

    468°

    多水平预测,即在未来多个时间步预测感兴趣的变量,是时间序列机器学习中的一个关键挑战。大多数现实世界的数据集都有时间成分,预测未来可以释放巨大的价值。例如,零售商可以利用未来的销售额来优化他们的供应链和促销活动,投资经理有兴趣预测金融资产的未来价格以最大化他们的业绩,医疗机构可​​以利用未来的入院人数来拥有足够的人员和设备. 深度神经网络(DNN)越来越多地用于多层面预测,与传统时间序列模型相比,表现出强大的性能改进。虽然许多模型(例如DeepAR、MQRNN)都专注于循环神经网络( RNN )
  • 【求知=>算法】存在重复元素

    【求知=>算法】存在重复元素

    RainNight 2021-12-25 求知=>算法

    390°

    ## 存在重复元素 --- 给定一个整数数组,判断是否存在重复元素。 如果存在一值在数组中出现至少两次,函数返回 true 。如果数组中每个元素都不相同,则返回 false 。 **示例 1:** --- > 输入: [1,2,3,1] > 输出: true **示例 2:** --- > 输入: [1,2,3,4] > 输出: false **示例 3:** --- > 输入: [1,1,1,3,3,4,3,2,4,2] > 输出: true ## 解题思路: 1. 根据数组的长度和通过set
  • 【求知=>算法】旋转数组

    【求知=>算法】旋转数组

    RainNight 2021-12-25 求知=>算法

    376°

    ## 旋转数组 --- 给你一个数组,将数组中的元素向右轮转 k个位置,其中 k是非负数。 **示例 1:** > 输入: nums = [1,2,3,4,5,6,7], k = 3 > 输出: [5,6,7,1,2,3,4] > 解释: > 向右轮转 1 步: [7,1,2,3,4,5,6] > 向右轮转 2 步: [6,7,1,2,3,4,5] > 向右轮转 3 步: [5,6,7,1,2,3,4] **示例 2:** > 输入:nums = [-1,-100,3,99], k = 2 >
Collect from 雨夜的博客 雨夜的博客