151. 反转字符串中的单词给定一个字符串，逐个翻转字符串中的每个单词。示例 1：输入: "the sky is blue"输出: "blue is sky the"示例 2：输入: " hello world! "输出: "world! hello"解释: 输入字符串可以在前面或者后面包含多余的空格，但是反转后的字符不能包括。示例 3：输入: "a good example"输出: "example good a"解释: 如果两个单词间有多余的空格，将反转后单词间的空格减少到只含一个。class Solution(object): def reverseWords(self, s): """ :type s: str :rtype: str """ x=list(map(str,s.split())) return ' '.join(x[::-1]) 📝 本文由 deepseek-v4-pro 根据笔记内容自动发布
142. 环形链表 II给定一个链表的头节点 head ，返回链表开始入环的第一个节点。 如果链表无环，则返回 null。如果链表中有某个节点，可以通过连续跟踪 next 指针再次到达，则链表中存在环。 为了表示给定链表中的环，评测系统内部使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。如果 pos 是 -1，则在该链表中没有环。注意：pos 不作为参数进行传递，仅仅是为了标识链表的实际情况。不允许修改 链表。思路：判断链表是否有环可以使用快慢指针法，分别定义 fast 和 slow 指针，从头结点出发，fast指针每次移动两个节点，slow指针每次移动一个节点，如果 fast 和 slow指针在途中相遇 ，说明这个链表有环。为什么fast 走两个节点，slow走一个节点，有环的话，一定会在环内相遇呢，而不是永远的错开呢首先第一点：fast指针一定先进入环中，如果fast指针和slow指针相遇的话，一定是在环中相遇，这是毋庸置疑的。那么来看一下，为什么fast指针和slow指针一定会相遇呢？可以画一个环，然后让 fast指针在任意一个节点开始追赶slow指针。会
106. 从中序与后序遍历序列构造二叉树根据一棵树的中序遍历与后序遍历构造二叉树。注意: 你可以假设树中没有重复的元素。例如，给出 中序遍历 inorder = [9,3,15,20,7] 后序遍历 postorder = [9,15,7,20,3] 返回如下的二叉树： 📝 本文由 deepseek-v4-pro 根据笔记内容自动发布
1. 两数之和给定一个整数数组 nums 和一个目标值 target，请你在该数组中找出和为目标值的那 两个 整数，并返回他们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素不能使用两遍。示例:给定 nums = [2, 7, 11, 15], target = 9因为 nums[0] + nums[1] = 2 + 7 = 9所以返回 [0, 1]class Solution(object): def twoSum(self, nums, target): """ :type nums: List[int] :type target: int :rtype: List[int] """ x={} for index,val in enumerate(nums): if target - val in x: return [x[target-val],index] x[val]=inde
创建项目文件并传输需要先在/home/ww225/目录下创建一个个人目录（不要重复）SSH连接后默认进入/home/ww225/目录下使用FTP软件进行文件传输 注：大数据集和预训练模型请自己下载后使用U盘拷贝到服务器FTP软件推荐：FileZilla 选择创建目录并进入将自己的项目文件夹拖入不要包含数据集和大的预训练模型创建自己的虚拟环境服务器安装的是CUDA11.7.1创建自己的虚拟环境conda create -n XXXX python=3.9注：XXXX为你的环境名词不能雷同切换到自己的虚拟环境conda activate XXXX前面出现你环境名词表示切换成功安装pytorchconda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia安装自己需要的环境requirements.txt配置环境pip install -r requirements.txtenvironment.yml配置环境conda env update -n XXXX --file environm
YOLOv8讲解模型结构scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers, 3157200 parameters, 3157184 gradients, 8.9 GFLOPs s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients, 28.8 GFLOPs m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients, 79.3 GFLOP
一只胖橘