qq_45832651的博客

本文系统剖析滑动窗口算法，从原理出发，结合 Python 代码示例，讲解其基本方法、前置知识，梳理解法技巧与适配场景。通过经典 LeetCode 题目（长度最小的子数组、无重复字符的最长子串等 ），对比不同算法，明晰滑动窗口的优势与应用边界，助力读者精准掌握该算法，提升算法解题与工程实践能力。

本文聚焦 LeetCode 中 4 道滑动窗口经典题目（长度最小的子数组、无重复字符的最长子串、串联所有单词的子串、最小覆盖子串 ），深入剖析滑动窗口解题思路，提供 Python 解法，提炼技巧要点。同时补充其他可行方法，从时间复杂度、空间复杂度、适用场景多维度对比，助力读者透彻理解滑动窗口算法的应用逻辑与优势边界 。

本文深度剖析双指针算法，从原理出发，结合 Python 代码示例，讲解其基本方法、前置知识，梳理解法技巧与适配场景。通过经典案例对比不同算法，助力读者精准掌握双指针算法，提升算法解题能力与工程实践应用水平。

本文聚焦 LeetCode 中 5 道双指针典型题目（验证回文串、判断子序列、两数之和 II - 输入有序数组、盛最多水的容器、三数之和 ），详细剖析双指针解题思路、实现代码，梳理技巧要点。同时补充其他解法的完整代码，从时间复杂度、空间复杂度、适用场景多维度对比双指针法与其他方法，助力读者透彻理解双指针算法的应用逻辑与优势边界 。

数组（列表）是数据结构中最基础且应用最广泛的线性结构之一，其连续的内存存储特性使其具备高效的访问性能。本文聚焦数组的常用操作方法与原地修改技术，系统梳理了增删改查等基础操作的实现逻辑，并通过实例解析原地修改的核心技巧（如双指针法、反向遍历等）。掌握这些内容对于解决算法问题中的数组操作场景至关重要，能显著提升代码的时间与空间效率。原地修改指不创建新数组，直接在原数组上通过覆盖、交换等操作修改元素，从而实现目标功能。其核心优势是节省空间（空间复杂度O(1)），这在算法题中是常见的优化要求。

双阶段目标检测算法是一类深度学习算法，通常分为两个阶段来检测和识别图像中的目标。与单阶段目标检测算法不同，双阶段算法首先生成一组候选目标区域，然后对这些候选区域进行分类和精细化定位。这些双阶段目标检测算法在准确性方面通常表现出色，特别适用于复杂场景和高精度要求的应用。然而，与单阶段算法相比，它们通常需要更多的计算资源，并在速度上稍有不足。选择双阶段目标检测算法还取决于具体应用的需求，以及可用的硬件和资源。

常见的损失函数，激活函数，学习率策略！softmax函数用于将一个K维的实数向量映射到(0,1)之间的K维向量，并且使得这个K维向量上的元素值和为1。平均绝对误差（Mean Absolute Error，MAE）：是预测值与真实值之间的差的绝对值的平均值。对数损失函数（Log Loss）: 在概率论与统计学中，对数损失是一种经常用来评估。（binary classification）的逻辑回归模型的性能的函数。，常用交叉熵作为损失函数。

又比如，在生成对抗网络（GAN）中，生成器网络在生成图片时，也会利用高斯噪声来增加图片的多样性和真实感。经过神经网络得到噪声的概率分布，经过随机采样得到t-1时刻的图像，经过不断迭代最终得到0时刻的图像，这就是整个过程，我们可以看到最后的α拔几乎为0，那么就得到t时刻的图像就为噪声了，服从标准正太分布。发现其中我们已知t时刻时求前一时刻的概率出现了0时刻的图像，但是我们又不知道0时刻的，陷入了死循环，这时我们将加噪过程中t时刻与0时刻的通式关系代入，化简，得到已知t时刻得到前一时刻图像服从的概率。

残差网络（Residual Neural Network, ResNet）是深度神经网络的一种。它通过增加跨层连接（skip connection）将输入信息直接传递到输出，有助于解决深层网络训练中的梯度消失和梯度爆炸问题减少了参数量提高了网络性能。

这些算法思想代表了解决不同类型问题的不同方法。选择合适的算法思想通常取决于问题的性质和要求。算法设计的艺术在于根据问题的特点选择最合适的算法思想，以获得高效的解决方案。