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箱子（每个箱子高度为单位高度）。我们的任务是找到需要移除的箱子数量。这个人站在数组索引 0 处，位于箱子堆的高度，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解决方案方法查找问题的一个简单解决方案是通过观察技术查找第 N 项。观察级数，我们可以将其公式化为如下：(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，我们需要仔细观察级数。该级数是偶数的立方，其中第一项是 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。它支持类型为 TensorFloat32 的输入数据。这作为深度神经网络中的一个层应用，以执行线性变换。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

图像的饱和度是指颜色的强度。颜色的饱和度越高，颜色就越鲜艳。颜色的饱和度越低，颜色就越接近灰色。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() 变换接受 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。此变换还接受批处理… 阅读更多

可以通过使用方法 torch.flatten() 重新整形将张量展平为一维张量。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。它接受两个可选参数，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所有方面… 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，我们应用函数 CrossEntropyLoss()。它可以从 torch.nn 模块访问。它创建一个度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非标准化分数。目标张量可能包含范围在 [0, C-1] 内的类索引，其中 C 是类… 阅读更多

均方误差（MSE）计算为输入值和目标值（预测值和实际值）之间差值的平方和的平均值。在 PyTorch 中计算均方误差，我们使用 torch.nn 模块提供的 MSELoss() 函数。它创建一个用于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 PyTorch 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 提供的一种损失函数…… 阅读更多