当需要生成随机点且要求随机点自然均匀的分布时，使用泊松盘采样就较为适合。但该方法与统计学上的概念关联不大，这个只相当于点在面积上服从泊松分布，而实现这个结果有很多做法。 最终效果： 圆形为含半径的点，圆形的中心代表生成点 B站有一个不错的搬运教程(Bridson方法)：https://www.bilibili.com/video/BV1KV411x7LM 另外Bridson文章里说蓝噪声(BlueNoise)也基于此方法生成 我做了些修改，代码如下：usingSystem.Collections;usingSystem.Collections.Generic;usingUnityEngine;
本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数
本题为3月14日23上半学期集训每日一题中B题的题解题面题目描述已知原数列\(a_1,a_2,\cdots,a_n\)中的前1项，前2项，前3项，...，前n项的和，以及后1项，后2项，后3项，...，后n项的和，但是所有的数都被打乱了顺序。此外，我们还知道数列中的数存在于集合S中。试求原数列。当存在多组可能的数列时，求字典序最小的数列。输入第1行，一个整数n。第2行，\(2\timesn\)个整数，注意：数据已被打乱。第3行，一个整数m，表示S集合的大小。第4行，m个整数，表示S集合中的元素。输出输出满足条件的最小数列。样例输入51257791213141441245样例输出11525提示数
目录ImportanceSampling（IS）LightBVH[2018~2019]预构建BVH重建BVH基于BVHnode的ISReal-timeStochasticLightcuts[2020]莫顿序排序（MortonOrderSofting）构建LightTree基于Lightcuts的ISCutSharingReSTIR（ReservoirSpatio-TemporalImportanceResampling）[2020]ResampledImportanceSampling(RIS)WeightedReservoirSampling(WRS)基于屏幕空间的多光源RIS预处理光源pi
目录ImportanceSampling（IS）LightBVH[2018~2019]预构建BVH重建BVH基于BVHnode的ISReal-timeStochasticLightcuts[2020]莫顿序排序（MortonOrderSofting）构建LightTree基于Lightcuts的ISCutSharingReSTIR（ReservoirSpatio-TemporalImportanceResampling）[2020]ResampledImportanceSampling(RIS)WeightedReservoirSampling(WRS)基于屏幕空间的多光源RIS预处理光源pi
之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。查准率、查全率、F值我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。$$A=\frac{true}{total}$$这个虽然常用，但不能满足所有任务的需求。所以我们可以引入查准率和查全率。查准率(Precision)：某一分类你预测对了多少个。$P=\frac{预测对的某一类}{你预测的某一类}$查全率(Recall)：某一分类你预测出来多少个。$R=\f
之前写一个作业样本不均衡问题。然后查了很多文章都说要更换评价指标，不能再使用准确率了，要计算F值。我看了一下F值怎么计算，看了挺多文章的，但是感觉说的比较迷惑，或者说法比较拗口。最后还是自己再总结一个。查准率、查全率、F值我们平时对于一个模型预测的准不准，我们最先想到的是用准确率(Accuracy)进行评价。$$A=\frac{true}{total}$$这个虽然常用，但不能满足所有任务的需求。所以我们可以引入查准率和查全率。查准率(Precision)：某一分类你预测对了多少个。$P=\frac{预测对的某一类}{你预测的某一类}$查全率(Recall)：某一分类你预测出来多少个。$R=\f
