创新点1：Conflict-Aware Multi-Task Optimization for Object Tracking 该领域前沿进展，blog推荐 $$\mathbb{E}_{x,y\sim\mathcal{D}_T}[\ell(h_T(x),y)]\leq\hat{\mathcal{L}}_T+\mathcal{R}_T(H_T)+\mathcal{O}\left(\sqrt{\fra

熵 由来 自然界里，气体分子的扩散，是一个从有序到无序的过程，因为原先泾渭分明的两种气体分子彼此交融；水的蒸发，是一个从有序到无序的过程，因为原先有序排列的水分子变得无序；人类的学习，知识的积累与传播，也是在不断地打破原有的知识结构，形成新的认知。自然界大量的现象，都需要我们创造出一个量，用于数学的刻画一个系统无序的程度。这个量就是熵。 假设现在有一个系统，它有n种可能的状态，每一状态的概率为pi

创建并关联仓库 以下是在 macOS 上配置 Git 并创建、关联 GitHub 仓库的详细教程，同时默认分支名为 main： 1. 安装 Git 如果你的 macOS 还未安装 Git，可通过 Homebrew 进行安装。若已安装，可跳过此步骤。 12345# 安装 Homebrew/bin/bash -c "$(curl -fsSL https://raw.githubusercon

欧拉筛（线性筛） 问题描述：给定正整数n，求1到n之间的所有素数。 1234567891011121314151617181920212223242526272829#include<iostream>#include<vector>#include<cmath>using namespace std;const int N = 1e6+10;bool not_

本文持续更新作者在多标签学习领域总结的经典方法（baseline） MLKNN ML-KNN 是张敏灵，周志华的大作，是一种基于传统 KNN 的多标签分类扩展算法。 它结合了 KNN 和 贝叶斯推断（Bayesian inference），用于多标签问题，即一个样本可以同时属于多个类别。 基本步骤： 先找出每个测试样本的 K 个最近邻。 对每个标签，通过 最大后验概率（MAP）推断，判断该标签是

求解大规模QPP问题，几乎是是每一种基于核方法的机器学习算法最终要面对的问题，求解器的发展也有及其长的历史，本文记录笔者学习过程中遇到的几种代表性，重要的方法。 接着，本文将继续推导其他不限于QPP的经典solver的实现细节。包括内点法等经典方法，以及现代神经网络训练使用到的adam，Nadam等主流优化器。书山有路勤为径，学海无涯苦作舟，机器学习理论与方法正在不断快速迭代，知识也应当是不断更新

本地生成ssh公钥与私钥 1ssh-keygen -t ed25519 -f ~/.ssh/aliyun-ecs2 可以通过 1open ./.ssh 打开 .ssh文件夹查看密钥情况 进入阿里云ecs界面 进入密钥对创建界面 创建密钥，导入已有密钥对，并粘贴公钥内容。 20250405205825 密钥对进行绑定操作 20250405210008 按照提示重启服务器，服务器段的配置

快排 一般使用c++ stl即可，同时可以使用自定义cmp函数。std::sort在最坏情况下保持O(nlogn)时间复杂度，主流编译器采用introsort（快速排序+堆排序混合算法）实现 1234bool cmp(int a, int b) { return a%3 < b%3; // 按模3余数升序}sort(a, a+n, cmp); 归并排序 所谓归并，先

性质与创建 简述 ndarray（N-dimensional array，即N维数组）是NumPy的核心数据结构。可将ndarray看作是一个“智能容器”。相比于python原生数据结构，他有更好的特性，因此性能更优。他在数学上等同于一个张量，不过有些性质为了程序设计的合理性，并不符合数学直觉，后面会一一谈到。 ndarray之所以比python原生数据结构更高效，主要由以下三个性质决定，从这里也

第二章：需求供给和均衡价格 符号说明 P表示price，价格 Q表示Quantity，数量 需求 需求是在一定的时期，在一既定的价格水平下，消费者愿意并且能够购买的商品数量 假定其它条件不变，需求量与价格之间成反方向变动 影响需求量的因素 需求是一个函数，一条曲线，需求量是函数上的一个点 需求量的变动：“沿着需求曲线的移动” Movements along Demand Curves 这