Goroutine Goroutine是一个轻量级的独立任务执行单元。 想象一下你是一个项目经理（主程序 main 函数），你有很多任务需要完成。 * 传统方式（没有并发）: 你必须亲力亲为，做完任务A，才能开始任务B，再开始任务C。效率很低。 * 传统多线程方式: 你可以雇佣几个全职员工（操作系统线程）。每个员工都很能干，但雇佣和管理他们（创建、销毁、切换）的成本很高，比如要给他们配独立的办公室、电脑等（独立的内存堆栈，系统资源开销大）。你雇不了太多员工。 * Go 协程方式: 你雇佣了一个总管（Go 运行时），然后你只需要把任务写在小纸条上，交给总管。总管手下有一群临时工（Goroutines），他们非常轻量，只需要一张小板凳就能坐下干活（内存占用极小，通常只有几 KB）。你下达一个指令 go doSomething()，总管就会派一个临时工去做。成千上万个临时工对他来说都不是问题，管理成本极低。 创建 Goroutine…
接口要求 Go 的标准库 container/heap 定义了一个接口（heap.Interface），我们只需要让自己的数据类型满足这个接口，然后就可以使用 container/heap 包里提供的 Init, Push, Pop 等函数来对我们的数据进行堆操作。 核心就是实现 heap.Interface 接口。这个接口包含了 sort.Interface 的三个方法和它自己定义的两个方法。 heap.Interface 的定义如下： type Interface interface { sort.Interface // 包含了 Len(), Less(i, j int) bool, Swap(i, j int) Push(x any) // 在末尾添加元素 Pop() any…
题目 给你一个 m x n 的矩阵，其中的值均为非负整数，代表二维高度图每个单元的高度，请计算图中形状最多能接多少体积的雨水。 示例 1: 输入: heightMap = [[1,4,3,1,3,2],[3,2,1,3,2,4],[2,3,3,2,3,1]] 输出: 4 解释: 下雨后，雨水将会被上图蓝色的方块中。总的接雨水量为1+2+1=4。 示例 2: 输入: heightMap = [[3,3,3,3,3],[3,…
1.ImageNet挑战赛与深度学习的革命 1.1. K-最近邻（K-Nearest Neighbors, K-NN）算法 1.1.1. CIFAR-10 数据集 CIFAR-10数据集 * 它包含60000张非常小的彩色图片（32×32 像素）。 * 这些图片共分为10个类别，例如飞机、汽车、鸟、猫等。 这个数据集在机器学习领域非常经典，可以把它想象成是图像分类任务的“新手村”。我们的目标就是训练一个模型，让它能够正确识别出任意一张CIFAR-10图片属于哪个类别。 K-NN的思想非常直观，可以概括为“近朱者赤，近墨者黑”。要判断一个新样本（测试图片）属于哪个类别，我们不进行复杂的“学习”，而是直接在所有已知样本（训练图片）中找到和它最相似的K个邻居，然后采取“少数服从多数”的原则，看这K个邻居中哪个类别的数量最多，就把新样本归为那一类。 要实现这个算法，有两个关键问题需要解决： 1. 如何衡量两张图片之间的“…
题目 给你两个整数 numBottles 和 numExchange 。 numBottles 代表你最初拥有的满水瓶数量。在一次操作中，你可以执行以下操作之一： * 喝掉任意数量的满水瓶，使它们变成空水瓶。 * 用 numExchange 个空水瓶交换一个满水瓶。然后，将 numExchange 的值增加 1 。 注意，你不能使用相同的 numExchange 值交换多批空水瓶。例如，如果 numBottles == 3 并且 numExchange == 1 ，则不能用 3 个空水瓶交换成 3 个满水瓶。 返回你 最多 可以喝到多少瓶水。 示例 1： 输入：numBottles = 13, numExchange = 6 输出：15 解释：上表显示了满水瓶的数量、空水瓶的数量、…
题目 超市正在促销，你可以用 numExchange 个空水瓶从超市兑换一瓶水。最开始，你一共购入了 numBottles瓶水。 如果喝掉了水瓶中的水，那么水瓶就会变成空的。 给你两个整数 numBottles 和 numExchange ，返回你 最多 可以喝到多少瓶水。 示例 1： 输入：numBottles = 9, numExchange = 3 输出：13 解释：你可以用 3 个空瓶兑换 1 瓶水。 所以最多能喝到 9 + 3 + 1 = 13 瓶水。 示例 2： 输入：numBottles = 15, numExchange = 4 输出：19 解释：你可以用 4…
1. 最优性条件 (Optimality Condition) 1.1. 优化问题 任何一个优化问题，无论是在机器学习、金融、还是工程领域，我们都可以用三个核心组件来描述它： * 目标函数 (Objective Function) $f:\mathbb{R}^n\mapsto\mathbb{R}$ 这是我们希望最小化（或最大化）的那个函数。在机器学习中，这通常是损失函数 (Loss Function)，比如衡量模型预测值与真实值差距的均方误差。 * 优化变量 (Optimization Variable) $x\in\mathbb{R}^n$ 这是我们可以调整和控制的变量，以期改变目标函数的值。在机器学习中，$x$ 通常是模型的参数或权重 (weights)。我们训练模型的过程，就是在寻找一组最优的权重 $x$ 来让损失函数 $f(x)…
题目 给你一个下标从 0 开始的整数数组 nums ，其中 nums[i] 是 0 到 9 之间（两者都包含）的一个数字。 nums 的 三角和 是执行以下操作以后最后剩下元素的值： 1. nums 初始包含 n 个元素。如果 n == 1 ，终止 操作。否则，创建 一个新的下标从 0 开始的长度为 n - 1 的整数数组 newNums 。 2. 对于满足 0 <= i < n - 1 的下标 i…