1.如果相关系数 ρxy=−1\rho_{xy} = -1ρxy
相关推荐
【2026年华为暑期实习(AI)-4月15日-第三题- 大模型推理资源的最低成本分发】(题目+思路+Java&C++&Python解析+在线测试)
摘要:该问题要求为优先级不同的任务分配token资源,满足相邻高优先级任务获得更多token且总消耗最少。解决方案采用两次遍历:第一次从左到右确保高优先级任务比左侧多1个token;第二次从右到左确保比右侧多1个token。无效任务(优先级≤0)不分配资源且不参与相邻比较。时间复杂度O(N),空间复杂度O(N)。示例输入[10,10,5]输出4,分配为[1,2,1];输入[4,2,6]输出5,分配为[2,1,2]。
【2026年华为暑期实习(AI)-3月18日-第三题- 基于KNN的语音数据分类】(题目+思路+Java&C++&Python解析+在线测试)
摘要 本文介绍了使用KNN算法对语音特征向量进行分类的方法。语音片段被表示为3维向量,通过计算待分类向量与已知样本的欧式距离,选取最近的K个邻居进行投票,出现次数最多的类别即为预测结果。算法步骤包括:1)计算距离平方;2)排序样本;3)统计前K个邻居的类别频率。时间复杂度为O(N log N),适用于终端设备语音交互场景。Python和Java代码实现了该算法,通过处理浮点数误差确保分类准确性。
【2026年华为暑期实习(AI)-4月8日-第三题- 快递员极速配送挑战】(题目+思路+Java&C++&Python解析+在线测试)
本文介绍了快递员配送路径优化问题,通过K-Means聚类算法将N个包裹自动划分为K个社区。算法首先按到原点的距离排序选择初始聚类中心,然后迭代优化直至收敛。最终按聚类中心到原点的距离排序配送路径,计算总行驶时间(秒)。Python实现展示了完整的聚类和路径计算过程,时间复杂度为O(50·N·M),适用于K≤10、N≤100的规模。
【2026年华为暑期实习(AI)-5月22日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
本文摘要:本文包含20道选择题,涵盖机器学习、数学、计算机视觉等多个领域。主要内容包括:1) 模型训练显存估算;2) 概率论基础;3) 梯度累积训练;4) Transformer应用;5) BLIP-2模型原理;6) 图像插值方法;7) 分布式训练误差;8) 张量运算;9-10) 模型评估指标;11) 贝叶斯概率;12) 多头注意力机制;13) 回归损失函数;14) 插值多项式;15) 图像处理;16) 线性方程组病态条件;17) 聚类评估;18) 最大似然估计;19) 过拟合/欠拟合处理;20) 函数逼近
【2026年华为暑期实习(AI)-6月24日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
01X4Var3X−2145λ225λ310λ48λ5210085%≥1X2XnpS∑Xikdd2d24d2Ond2)nnOnd2)On2d)3h⋅dk2d2On2d2)3d2d24d2nOn2d)QK01)0136VaraXba2VarX)Var3X−232×4364(4525108。
【2026年华为暑期实习(AI)-7月15日-第三题- Agent执行轨迹压缩】(题目+思路+Java&C++&Python解析+在线测试)
摘要 本文研究了一个在二维网格上移动的Agent优化轨迹问题。给定初始网格和原操作轨迹,要求构造一条最短的语义等价轨迹,使得最终各格子状态与原轨迹相同,且起点终点位置一致。 关键思路是: 模拟原轨迹,收集所有状态发生变化的格子 将这些格子的操作合并为单次操作 使用状态压缩动态规划计算访问所有变化格子的最短路径 最后加上移动到原终点的距离 算法复杂度为O(2^p p^2),其中p≤12是变化格子数,保证了高效性。通过动态规划找到最优访问顺序,确保轨迹长度最短。
【2026年华为暑期实习(AI)-4月8日-第二题- 路由器资源用量预测】(题目+思路+Java&C++&Python解析+在线测试)
批量梯度下降法实现路由器资源利用率预测 摘要 本文实现了一个基于批量梯度下降(BGD)的线性回归模型,用于预测路由器资源利用率。模型考虑三个关键特征:协议连接数、转发数据包速率和内存占用率。主要步骤包括: 特征归一化:对每个特征进行Min-Max归一化处理 模型训练:使用BGD算法迭代更新参数,最小化均方误差(MSE)损失函数 参数还原:将归一化空间下的权重转换回原始特征空间 实现中处理了特征值无变化(最大值等于最小值)的特殊情况,并采用银行家舍入法保留两位小数输出结果。代码提供了Python和Java两种
【2026年华为暑期实习(AI)-6月12日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
本文摘要涵盖了机器学习与深度学习中的多个核心概念,包括相似性度量(余弦相似度)、概率估计(MLE)、贝叶斯定理、PCA降维、神经网络训练问题(梯度消失)、向量空间条件、优化方法(Momentum)、注意力机制(MHA/GQA)、数据分布特征等。通过选择题形式考察了这些知识点的理解和应用,并提供了详细的解析。内容涉及理论推导(如矩阵行列式计算)和实践问题(如KV Cache优化),适用于检验和巩固机器学习基础知识的掌握程度。
【2026年华为暑期实习/秋招(AI)-8月5日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
摘要: 本文包含20道选择题,涵盖深度学习、数值计算、概率统计、线性代数及机器学习等领域。重点考察了Softmax的数值稳定性实现(减去最大值)、视觉问答任务(图像+问题→答案)、分层强化学习的奖惩计算、欧氏距离与余弦相似度、反向传播梯度计算、SVD降维存储优化、贝叶斯概率推断、插值多项式等。此外,涉及逻辑回归评价指标(不含MSE)、端侧推理内存因素(中间激活)、集中趋势度量(均值)、Householder变换性质、早期停止正则化、梯度矩阵秩与优化、在线学习特性及大模型训练技巧(如学习率预热、梯度裁剪)等知
【2026年华为暑期实习(AI)-7月24日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
本文摘要:该文档包含20道数学与机器学习相关的选择题和解析。内容涵盖概率统计(独立随机变量方差、概率密度函数)、深度学习优化(L2正则化、交叉熵损失、激活检查点)、PCA标准化、多模态融合、神经网络结构、无监督学习、距离度量(皮尔逊相关系数)、vLLM的PagedAttention机制、困惑度评估、KVCache管理、SVD分解、余弦相似度与欧氏距离比较、ResNet残差连接、多模态Agent训练等知识点。每道题均提供正确答案及简明解析,适合快速回顾相关领域核心概念。
【2026年华为暑期实习(AI)-6月17日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
本文摘要:本文整理了20道机器学习与深度学习相关的选择题,涵盖模型预测、激活函数、梯度下降、数据污染、相似度计算等核心知识点。每道题目均配有详细解析,重点考察线性回归、重计算策略、插值多项式、混淆矩阵、量化部署等实际应用场景的理解。例如输出层激活函数选择、权重量化影响、HAC算法的增量更新特性等,并对浮点数运算、最大似然估计等数学基础概念进行了辨析。通过具体数值计算和理论分析相结合的方式,帮助读者掌握机器学习中的关键技术与常见问题解决方法。
【2026年华为暑期实习(AI)-4月15日-第二题- 基于 AdamW 优化的网络带宽预测模型】(题目+思路+Java&C++&Python解析+在线测试)
该题目要求实现AdamW优化算法来更新线性回归模型的参数。给定样本数据,通过迭代计算预测值、误差和梯度,然后使用AdamW算法逐步调整权重和偏置参数。关键在于正确实现AdamW的动量更新、偏差修正和参数更新公式,同时处理银行家舍入规则。 算法步骤概述: 初始化参数和动量项 遍历每个样本,计算预测值和误差 计算梯度并更新一阶、二阶动量 进行偏差修正 使用AdamW公式更新参数 最后对结果进行银行家舍入处理 实现要点: 严格按照题目给出的数学公式实现每个计算步骤 注意动量的初始化和更新顺序 偏差修正需要考虑当前
【2026年华为暑期实习(AI)-4月22日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
A. 欧氏距离 B. 余弦相似度 D. KL散度 解析:欧氏距离衡量绝对差异,余弦相似度衡量方向一致性,KL散度衡量概率分布差异,均适用于特征向量相似度度量。汉明距离仅适用于二进制向量。 T18 答案: A. $\mu$的MLE是样本均值$\bar{X}$ B. $\mu$的MLE是无偏的 C. $\sigma^{2}$的MLE是$(1/n)\sum(X_{i}-\bar{X})^{2}$ 解析:正态分布的$\mu$和$\sigma^2$的MLE如A、C所示,$\mu$的估计无偏,但$\sigma^2$的M
【2026年华为暑期实习(AI)-7月15日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
文章摘要: 本文整理了20道机器学习与数学相关题目及答案,涵盖模型评估、概率统计、线性代数、优化算法等内容。关键知识点包括:回归任务中RMSE对异常值最敏感;贝叶斯定理计算条件概率;泊松分布参数估计;t-SNE降维的局限性;线性变换的性质;监督微调(SFT)数据格式;Transformer中的注意力掩码和Pre-LN结构;GELU激活函数特性;误差传播规律;向量检索的时间复杂度;以及聚类算法、归一化方法、K近邻挑战等。题目涉及实际应用场景(如长期记忆检索、视觉Token合并)与理论概念(如递推算法稳定性),
【2026年华为暑期实习(AI)-4月29日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
本文摘要涵盖了机器学习和深度学习中的多个核心概念与技术,包括非负矩阵分解、条件数、MobileNet创新点、LDA降维、大模型评测指标、半精度训练、多任务学习、GPU存储层次、正则化、张量并行等。通过12道单选题和8道多选题的形式,系统性地考察了相关理论原理、应用场景及工程实践要点。题目设计注重概念准确性(如LDA目标函数)、技术细节(如Megatron-LM的并行策略)与实际应用(如FP16训练动机),并包含概率统计(二项分布)和数值计算(微分误差分析)等数学基础内容,全面检验读者对AI领域关键知识的掌握
【2026年阿里巴巴集团暑期实习- 4月11日-算法岗-第二题- 凑对】(题目+思路+Java&C++&Python解析+在线测试)
题目要求构造一个长度为n的排列,使得相邻偶数位置的二元组满足两数之和与差的绝对值都不是质数。当n为2、4、6时无解,其他情况可通过分块构造实现。 摘要: 该问题要求构造特定排列,使得相邻偶数位置的数对满足非质数条件。对于n=2/4/6无解,其他情况采用分块策略:8的倍数用8数块,余数4用12数块,余数2用10数块加8数块,余数6用14数块加8数块。该方法保证每块内数对均满足条件,时间复杂度O(n)。 (字数:148)
【2026年华为暑期实习(AI)-7月1日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
选择题答案与解析 1. 概率分布相似度衡量 答案:B. KL散度 解析:KL散度用于衡量两个概率分布之间的差异,数值越小表示分布越接近。 2. 线性回归外生性要求 答案:C. 误差项的条件期望满足$E[e|X]=0$ 解析:该条件表示给定解释变量后,误差项不存在系统性偏差。 3. 滑动窗口注意力机制 答案:D. 保留最近N个Token的KV,丢弃老的KV 解析:滑动窗口仅保留固定窗口内的KV Cache,以限制显存和计算量。 4. 向量相似度与内积排序 答案:C. 余弦相似度:$A-C=B-C>A-B$;内
【2026年华为留学生暑期实习(AI)-4月23日-第一题- 选择题】(题目+思路+Java&C++&Python解析+在线测试)
文章摘要: 本文通过选择题形式探讨了深度学习与机器学习中的关键技术点,包括模型量化(FP16转INT8压缩权重位宽)、卷积输出计算(224×224输入经11×11卷积后输出55×55×96)、注意力机制(多头输出拼接后线性变换)等基础概念,并深入分析了Transformer架构中的RoPE位置编码、KV Cache优化推理速度、GQA注意力机制等进阶内容。同时覆盖了凸函数性质、误差评估指标(MSE)、Pass@k评估方法等理论知识点,以及混合精度训练中的数值稳定性问题(如Softmax的max-shift技
UE4-(反射)场景采集之场景采集2D
一、场景采集分为两种:场景采集2D、场景采集立方体 场景采集2D:采集2D图片模式。 操作: 1.选择场景采集2D,是一个摄像机的物体,摆放到场景中。 2.在文件夹空白处创建纹理,一定要注意创建纹理的格式, 纹理分为立方体渲染目标和渲染目标,此处我们使用的是2D模式,所以选择渲染目标(Texture Render Target2D)。创建后重命名为RenderTextue2D。 3.选择场景中刚拖入的 SceneCapture2D 摄像机在细节面板的Scene Capture 将..
WOL唤醒配置(以太网、PHY、MAC)
MAC 就是以太网控制器,属于OSI的数字链路层。phy 属于OSI的物理层(Physical layer),所以叫phy。CPU Mac与phy通信通过MII接口,数据的传输通过MDIO数据线。通过配置phy的相关寄存器实现不同的功能。
【Agora 本地录制最全总结- 基于Java SDK】
Agora 本地服务端录制
Proteus仿真实战:基于IIC驱动SSD1306的0.96英寸OLED显示方案解析
本文详细解析了在Proteus仿真环境中基于IIC驱动SSD1306的0.96英寸OLED显示方案。从硬件搭建、IIC接口连接、软件驱动移植到常见问题排查,提供了全面的实战指导,帮助开发者快速实现OLED显示功能并优化性能。
瑞芯微RK系列 vs 全志系列芯片:终极选型指南(2025版)
。
别再傻傻分不清!用R语言5分钟搞定RR、AR、OR的计算与解读(附代码)
本文通过R语言实战演示,详细讲解了RR(相对风险)、AR(绝对风险)和OR(比值比)的计算方法与科学解读。提供完整的代码示例和可视化技巧,帮助医学研究者快速掌握这些核心流行病学指标的应用与常见陷阱规避。
# YOLOv11-seg改进系列 | 引入CVPR MetaFormer的C3k2_PoolingFormerCGLU模块,池化Token混合+CGLU门控MLP
本文引入 CVPR 2022 论文(MetaFormer/PoolFormer)提出的 MetaFormer 元架构设计,以Pooling Token 混合器 + ConvolutionalGLU(CGLU)MLP构成,将其封装为,用于替换 YOLOv11-seg 的 C3k2 块。对比维度C3k2(基线)C3k2_PoolingFormerCGLU(本文)参数量(n scale)2.46M≈2.49M9.6≈9.69.7(+1.0%)架构范式单阶段卷积MetaFormer 双阶段。
Python时间序列:PaddleTS-时间序列分类
评估的指标采用F1,Precision,Recall,PaddleTS已经基于TSDataset实现了这三个指标的计算,直接调用即可。使用内置的API:get_dataset加载BasicMotions数据集。模型训练完成之后,可以对测试集进行预测并评估。模型保存之后,可以加载模型用于新的数据预测。可以将训练完成的模型保存到指定路径。概率预测 可以返回每个分类的概率。安装paddlets。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
efm32 入门.pdf
本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
WINCC7.3破解文件
WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!
订阅专栏 解锁全文
516



被折叠的 条评论
为什么被折叠?



