UnityAddressables热更新基础Addressables基础解析AddressableAssetSettings（可寻址资源设置）Profile（配置文件）Diagnostics（诊断工具）Catalog（目录）ContentUpdate（内容更新）Downloads（下载）Build（构建）BuildandPlayModeScripts（构建和播放模式）AssetGroupTemplates（资产模板）Initializationobjectlist（初始化对象列表）Groupsettings（组设置）Profiles（配置文件）AssetHostingServices（资产托管
UnityAddressables热更新基础Addressables基础解析AddressableAssetSettings（可寻址资源设置）Profile（配置文件）Diagnostics（诊断工具）Catalog（目录）ContentUpdate（内容更新）Downloads（下载）Build（构建）BuildandPlayModeScripts（构建和播放模式）AssetGroupTemplates（资产模板）Initializationobjectlist（初始化对象列表）Groupsettings（组设置）Profiles（配置文件）AssetHostingServices（资产托管
一、题目大意Trie（发音类似"try"）或者说前缀树是一种树形数据结构，用于高效地存储和检索字符串数据集中的键。这一数据结构有相当多的应用情景，例如自动补完和拼写检查。请你实现Trie类：Trie()初始化前缀树对象。voidinsert(Stringword)向前缀树中插入字符串word。booleansearch(Stringword)如果字符串word在前缀树中，返回true（即，在检索之前已经插入）；否则，返回false。booleanstartsWith(Stringprefix)如果之前已经插入的字符串word的前缀之一为prefix，返回true；否则，返回false。示例：输
一、题目大意Trie（发音类似"try"）或者说前缀树是一种树形数据结构，用于高效地存储和检索字符串数据集中的键。这一数据结构有相当多的应用情景，例如自动补完和拼写检查。请你实现Trie类：Trie()初始化前缀树对象。voidinsert(Stringword)向前缀树中插入字符串word。booleansearch(Stringword)如果字符串word在前缀树中，返回true（即，在检索之前已经插入）；否则，返回false。booleanstartsWith(Stringprefix)如果之前已经插入的字符串word的前缀之一为prefix，返回true；否则，返回false。示例：输
前缀和与差分笔记&模板前缀和与差分prefix_sumanddifference-唔知叫咩emm-博客园(cnblogs.com)不适合做代码笔记，复习主要是复习思路，要看就看模板题常用代码模板1——基础算法-AcWing注意：左留一个0，避免分类讨论注意：初始化数组大小，记得+1简介前缀和是一种重要的预处理，能大大降低查询的时间复杂度前缀和数列的前n项的和差分差分是一种和前缀和相对的策略，可以当做是求和的逆运算。差分数组的前缀和数组是原数组应用场景，关键词区间信息维护与查询视频教程STUACM-算法入门-前缀和与差分(含二维)_哔哩哔哩_bilibili有点长，不太推荐，找个模板题看看题解就
前缀和与差分笔记&模板前缀和与差分prefix_sumanddifference-唔知叫咩emm-博客园(cnblogs.com)不适合做代码笔记，复习主要是复习思路，要看就看模板题常用代码模板1——基础算法-AcWing注意：左留一个0，避免分类讨论注意：初始化数组大小，记得+1简介前缀和是一种重要的预处理，能大大降低查询的时间复杂度前缀和数列的前n项的和差分差分是一种和前缀和相对的策略，可以当做是求和的逆运算。差分数组的前缀和数组是原数组应用场景，关键词区间信息维护与查询视频教程STUACM-算法入门-前缀和与差分(含二维)_哔哩哔哩_bilibili有点长，不太推荐，找个模板题看看题解就
CF链接：LeastPrefixSumLuogu链接：Least PrefixSum${\scr\color{CornflowerBlue}{\text{Solution}}}$先来解释一下题意：给定一个数组，问最少把多少个数变成相反数，使得$\forall\cal{i}$,$\sum_{k=1}^ia_k$$\le$ $ \sum_{k=1}^ma_k$发现对于所有数据点，$\cal{n}\le2\times10^5$，说明需要$Ο(\cal{n\logn})$或者$O(\cal{n})$的算法。分析一下题目，发现要分成$\cal{i}>\cal{m}$与$\cal{i}当$\cal{i}$
CF链接：LeastPrefixSumLuogu链接：Least PrefixSum${\scr\color{CornflowerBlue}{\text{Solution}}}$先来解释一下题意：给定一个数组，问最少把多少个数变成相反数，使得$\forall\cal{i}$,$\sum_{k=1}^ia_k$$\le$ $ \sum_{k=1}^ma_k$发现对于所有数据点，$\cal{n}\le2\times10^5$，说明需要$Ο(\cal{n\logn})$或者$O(\cal{n})$的算法。分析一下题目，发现要分成$\cal{i}>\cal{m}$与$\cal{i}当$\cal{i}$
这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。固定LM微调Prompt的范式有以下几个优点性价比高！微调参数少，冻结LM只微调prompt部分的参数无人工参与！无需人工设计prompt模板，
这一章我们介绍在下游任务微调中固定LM参数，只微调Prompt的相关模型。这类模型的优势很直观就是微调的参数量小，能大幅降低LLM的微调参数量，是轻量级的微调替代品。和前两章微调LM和全部冻结的prompt模板相比，微调Prompt范式最大的区别就是prompt模板都是连续型（Embedding），而非和Token对应的离散型模板。核心在于我们并不关心prompt本身是否是自然语言，只关心prompt作为探针能否引导出预训练模型在下游任务上的特定能力。固定LM微调Prompt的范式有以下几个优点性价比高！微调参数少，冻结LM只微调prompt部分的参数无人工参与！无需人工设计prompt模板，
