在这个问题中，我们得到一个数组 arr[]，其中每个元素表示一堆盒子（每个盒子高度为单位）。我们的任务是找到要移除的盒子数量。这个人站在数组索引 0 处，位于盒子堆的高度，他需要移动到数组的末尾。从一堆移动到下一堆的条件是跳到下一堆。只有当下一堆的高度相同或低于当前堆时才能跳跃。如果高度 ... 阅读更多

在这个问题中，我们得到一个整数 N。我们的任务是查找级数 -9, 45, 243, 1377, 8019, … 的第 n 项。让我们举个例子来理解这个问题，输入：N = 4 输出：1377解决方案方法找到这个问题的一个简单解决方案是通过观察技术找到第 N 项。观察该级数，我们可以将其表述为如下 -(11 + 21)*31 + (12 + 22)*32 + (13 + 23)*33 … + (1n + 2n)*3n示例程序说明我们解决方案的工作原理#include #include using namespace std; long findNthTermSeries(int n){    return ( ( (pow(1, n) + pow(2, n)) )*pow(3, n) ); } int main(){    int n = 4;    cout

在这个问题中，我们得到一个整数 N。我们的任务是查找级数 -0, 8, 64, 216, 512, 1000, 1728, 2744… 的第 n 项。让我们举个例子来理解这个问题，输入：N = 6 输出：1000解决方案方法要查找级数的第 N 项，我们需要仔细观察该级数。该级数是偶数的立方，其中第一项为 0。因此，该级数可以解码为 -[0]3, [2]3, [4]3, [6]3, [8]3, [10]3…对于第 i 项，T1 = [0]3 = [2*(1-1)]3T2 = [2]3 = [2*(2-1)]3T3 = [4]3 = [2*(3-1)]3T4 = [6]3 ... 阅读更多

在这个问题中，我们得到一个整数 N。我们的任务是查找给定级数 -0, 0, 2, 1, 4, 2, 6, 3, 8, 4, 10, 5, 12, 6, 14, 7, 16, 8, 18, 9, 20, 10… 的第 n 项。让我们举个例子来理解这个问题，输入 - N = 6 输出 - 2解决方案方法要查找级数的第 N 项，我们需要仔细观察该级数。它是两个级数和级数的奇数项和偶数项的混合。让我们看看它们中的每一个，在偶数位置 -T(2) = 0T(4) ... 阅读更多

我们可以使用 torch.nn.Linear() 模块将线性变换应用于输入数据。它支持 TensorFloat32 类型的输入数据。这作为深度神经网络中的一个层来执行线性变换。使用的线性变换 -y = x * W ^ T + b这里 x 是输入数据，y 是线性变换后的输出数据。W 是权重矩阵，b 是偏差。权重 W 的形状为 (out_features, in_features)，偏差 b 的形状为 (out_features)。它们是随机初始化的，并在神经网络的训练过程中更新。语法torch.nn.Linear(in_features, out_features)参数in_features - 它 ... 阅读更多

时间数据可以表示为 1D 张量，空间数据可以表示为 2D 张量，而体积数据可以表示为 3D 张量。torch.nn 模块提供的 Upsample 类支持对这些类型的数据进行上采样。但这些数据必须采用 N ☓ C ☓ D（可选）☓ H（可选）☓ W（可选）的形式，其中 N 是小批量大小，C 是通道数，D、H 和 W 分别是数据的深度、高度和宽度。因此，要对时间数据 (1D) 进行上采样，我们需要将其转换为 3D ... 阅读更多

图像的饱和度指的是颜色的强度。颜色的饱和度越高，颜色越鲜艳。颜色的饱和度越低，颜色越接近灰色。要调整图像的饱和度，我们应用 adjust_saturation()。它是 torchvision.transforms 模块提供的功能转换之一。adjust_saturation() 转换接受 PIL 和张量图像。张量图像是一个形状为 [C, H, W] 的 PyTorch 张量，其中 C 是通道数，H 是图像高度，W 是图像宽度。此转换还接受批次 ... 阅读更多

张量可以通过使用 torch.flatten() 方法将其重塑为一维张量。此方法支持实值和复值输入张量。它以 torch 张量作为输入，并返回展平为一维的 torch 张量。它有两个可选参数，start_dim 和 end_dim。如果传递了这些参数，则仅展平从 start_dim 开始到 end_dim 结束的那些维度。输入张量中元素的顺序不会改变。此函数可能会返回原始对象、视图或副本。在以下示例中，我们涵盖了展平张量的各个方面 ... 阅读更多

要计算输入和目标（预测和实际）值之间的交叉熵损失，我们应用 CrossEntropyLoss() 函数。它可以从 torch.nn 模块访问。它创建一个测量交叉熵损失的标准。它是 torch.nn 模块提供的损失函数类型之一。损失函数用于通过最小化损失来优化深度神经网络。CrossEntropyLoss() 在训练多类分类问题中非常有用。输入预计包含每个类的未归一化分数。目标张量可能包含范围在 [0, C-1] 内的类索引，其中 C 是类数 ... 阅读更多

均方误差计算为输入和目标（预测和实际）值之间平方差的平均值。要在 PyTorch 中计算均方误差，我们应用 torch.nn 模块提供的 MSELoss() 函数。它创建一个测量均方误差的标准。它也称为平方 L2 范数。实际值和预测值都是具有相同元素数量的 torch 张量。这两个张量可以具有任意数量的维度。此函数返回一个标量值的张量。它是 torch.nn 提供的损失函数类型之一 ... 阅读更多