题意给你n个非负整数的数列a，你可以进行K次操作，每次操作可以将任意位置的数数更改成任意一个非负整数，求操作以后，DIFF(a)-MEX（a）的最小值；DIFF代表数组中数的种类。MEX代表数组中未出现的最小自然数。提示1.显然DIFF(a)-MEX（a）最小，DIFF(a)越小越好，MEX(a)越大越好2.假如DIFF降低，同时MEX提升，这样操作是不亏的，因此我们只需要提升MEX即可，贪心的的构造0-x，x为k次修改，能构建到mex的最大的数列a状态。3.在原始a中，0-x中空缺的值即为需要填充个数的值，我们只需要贪心，先填入出现次数少的>x的值，以降低它的DIFF，即MEX固定了，再降低
之前尝试复现学姐前几年的一个工作，但是因为框架有点古老而作罢。然鹅，自己的实验结果一直跑得十分奇怪，为了去学姐的代码中寻找参考，今天再次进行了尝试。我的需求是安装Tensorflow_gpu_1.6.0（文中简称TensorFlow），目前机器已配置cuda11和cuda10，非root用户。目录前置疑问Q1:为什么安装TensorFlow需要重装CUDA？Q2:nvidia-smi和nvcc-V显示的不是同一版本CUDA？Q3:用conda装CUDA不可以吗？结论0安装之前——检查机器配置（非root用户）查询目标配置检查机器配置安装顺序1安装gcc1.1下载gcc(以gcc6.4.0为例)
之前尝试复现学姐前几年的一个工作，但是因为框架有点古老而作罢。然鹅，自己的实验结果一直跑得十分奇怪，为了去学姐的代码中寻找参考，今天再次进行了尝试。我的需求是安装Tensorflow_gpu_1.6.0（文中简称TensorFlow），目前机器已配置cuda11和cuda10，非root用户。目录前置疑问Q1:为什么安装TensorFlow需要重装CUDA？Q2:nvidia-smi和nvcc-V显示的不是同一版本CUDA？Q3:用conda装CUDA不可以吗？结论0安装之前——检查机器配置（非root用户）查询目标配置检查机器配置安装顺序1安装gcc1.1下载gcc(以gcc6.4.0为例)
前言在vue中使用v-for时需要，都会提示或要求使用 :key，有的的开发者会直接使用数组的index作为key的值，但不建议直接使用index作为key的值，有时我们面试时也会遇到面试官问：为什么不推荐使用index作为key？接下来和小颖一起来瞅瞅吧为什么要有key官网解释当Vue正在更新使用 v-for 渲染的元素列表时，它默认使用“就地更新”的策略。如果数据项的顺序被改变，Vue将不会移动DOM元素来匹配数据项的顺序，而是就地更新每个元素，并且确保它们在每个索引位置正确渲染。这个类似Vue1.x的 track-by="$index"。这个默认的模式是高效的，但是只适用于不依赖子组件状
前言在vue中使用v-for时需要，都会提示或要求使用 :key，有的的开发者会直接使用数组的index作为key的值，但不建议直接使用index作为key的值，有时我们面试时也会遇到面试官问：为什么不推荐使用index作为key？接下来和小颖一起来瞅瞅吧为什么要有key官网解释当Vue正在更新使用 v-for 渲染的元素列表时，它默认使用“就地更新”的策略。如果数据项的顺序被改变，Vue将不会移动DOM元素来匹配数据项的顺序，而是就地更新每个元素，并且确保它们在每个索引位置正确渲染。这个类似Vue1.x的 track-by="$index"。这个默认的模式是高效的，但是只适用于不依赖子组件状
1diff算法到底是什么？diff算法是一种通过同层的树节点进行比较的高效算法，它可以不用频繁操作DOM，而是选用虚拟DOM节点操作，说人话就是专门用来处理虚拟DOM节点的。2操作流程?为了更好理解Vue的diff算法，请先看一位B站大佬精心制作的动画演示。通过上面视频可以很好理解diff算法的比较流程，清楚在循环从左右两边向中间比较的更新、插入、删除、查询操作。它的操作本质就是：分别遍历新旧虚拟DOM节点的数组，接着通过循环左右双指针比较判断。新的头newStartIndex和老的头oldStartIndex对比新的尾newEndIndex和老的尾oldEndIndex对比新的头newSta
1diff算法到底是什么？diff算法是一种通过同层的树节点进行比较的高效算法，它可以不用频繁操作DOM，而是选用虚拟DOM节点操作，说人话就是专门用来处理虚拟DOM节点的。2操作流程?为了更好理解Vue的diff算法，请先看一位B站大佬精心制作的动画演示。通过上面视频可以很好理解diff算法的比较流程，清楚在循环从左右两边向中间比较的更新、插入、删除、查询操作。它的操作本质就是：分别遍历新旧虚拟DOM节点的数组，接着通过循环左右双指针比较判断。新的头newStartIndex和老的头oldStartIndex对比新的尾newEndIndex和老的尾oldEndIndex对比新的头newSta
本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是什么？op到底是如何运行的？接下来让我们一起探索和回答这些问题。一、初识op1.1op定义op代表计算图中的节点，是tf.Operation对象，代表一个计算单元。用户在创建模型和训练代码时，会创建一系列op及其依赖关系，并将这些op和依赖添加到tf.Graph对象中（一般为默认图）。比如：tf.matmul()就是一个op，它有两个输入tensor和一个输
本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是什么？op到底是如何运行的？接下来让我们一起探索和回答这些问题。一、初识op1.1op定义op代表计算图中的节点，是tf.Operation对象，代表一个计算单元。用户在创建模型和训练代码时，会创建一系列op及其依赖关系，并将这些op和依赖添加到tf.Graph对象中（一般为默认图）。比如：tf.matmul()就是一个op，它有两个输入tensor和一个输
引言Batchsize作为一个在训练中经常被使用的参数，在图神经网络的训练中也是必不可少，但是在TF-GNN中要求使用merge_batch_to_components()把batch之后的图合并成一张图。表现如下图： 通过上图可以看出，在merge之后的图中的点序号被重新按照顺序编号，同时边的序号也和点序号一样重新编号，且可以发现子图与子图之间并没有新增边的连接，需要注意的是对于图的size，merge只是连接了每个子图的size而不是以加法的形式增加size。问题由于需要在edgepooling中使用attention机制，并且尝试自己实现attention机制，需要获取到图的节点数量，
