首页 > TAG信息列表 > deta

全连接单次更新

import numpy as np learning_rate = 0.001 x1 = x2 = x3 = 1 y1 = y2 = 1 w14 = w15 = w16 = w24 = w25 = w26 = w34 = w35 = w36 = w17 = w27 = w37 = 1 w48 = w49 = w58 = w59 = w68 = w69 = w78 = w79 = 1 X = np.array([x1, x2, x3]).reshape(3, 1) W1 = np.array([[

luogu P4412 [SHOI2004]最小生成树

题面传送门 首先这个在树上的边肯定只是变小，不在树上的边肯定只是增大。 我们设在树上的一条边为\(e\)，边权和变化量为\(W_e\)和\(deta_e\)，与这条边构成环的非树边为\(e'\) 那么肯定有\(W_e-deta_e\leq W_{e'}+deta_{e'}\) 移项以后是\(W_e-W_{e'}\leq deta_e+deta_{e'}\) 左边看成

DP-01背包

好的　　md这个编译器怎么用啊 好吧  今天复习了01背包 在不写下来就又忘了。。。。   果然嗷，《挑战程序设计竞赛》关于背包的引入我看的很棒，先记下来   最朴素的方法：针对每个物品是否放入背包进行搜索试试看 int n,m; int weight[MAX],val[MAX]; int rec(int i,int j)//从第

Python：将测试应用部署到Deta

文档：https://docs.deta.sh/docs/home 一、创建项目 项目结构 . └── main.py └── requirements.txt main.py # -*- coding: utf-8 -*- from flask import Flask app = Flask(__name__) @app.route('/') def hello_world(): return 'Hello, World!' if __nam

优化计算相似度矩阵

任务：现有特征矩阵X∈RN×FX\in R^{N\times F}X∈RN×F，N为样本个数，F为特征大小，需要计算相似度矩阵AAA，Aij=AjiA_{ij}=A_{ji}Aij​=Aji​为第i个样本和第j个样本的相似度，利用欧式距离求解两个样本间的距离： Aij=Aji=∑f=1F(Xif−Xjf)2A_{ij}=A_{ji}=\sum_{f=1}^{F}(X_{if}-X_{jf

【模板】计几 单位圆最多覆盖多少点

题目链接：https://vjudge.net/problem/POJ-1981 由于选择的单位圆肯定至少覆盖一个点，所以我们枚举i作为单位圆必定覆盖的点，然后单位圆的圆心必定在以点 i 为圆心的单位圆上，然后枚举其他点 j ，只要单位圆圆心在以 j 为圆心的单位圆上，那么选的单位圆就可以覆盖到点 j ，所以 点 j 的单位

Intorduction to Linear Algebra(3) Determinants

Determinantsintroduction to determinantsProperties of determinants introduction to determinants detA=∑j=1n(−1)i+ja1jAnjdet A=\sum^n_{j=1}(-1)^{i+j}a_{1j}A_{nj}detA=∑j=1n​(−1)i+ja1j​Anj​ detA=∑i=1n(−1)i+jai1Aindet A=\sum^n_{i=1}(-1)^{i+j}a_{i1}