fast

题目描述 给一个链表，若其中包含环，请找出该链表的环的入口结点，否则，输出null。 思路 设置快慢指针，都从链表头出发，快指针每次走两步，慢指针一次走一步，假如有环，一定相遇于环中某点(结论1)。接着让两个指针分别从相遇点和链表头出发，两者都改为每次走一步，最终相遇于环入口(结论2)。以下是两个结论证明： 设置快慢指针，假如有环，他们最后一定相遇 证明： 设置快慢指针fast和low，fast每次走两步，low每次走一步。假如有环，两者一定会相遇（因为low一旦进环，可看作fast在后面追赶low的过程，每次两者都接近一步，最后一定能追上）。 两个指针分别从链表头和相遇点继续出发，每次走一步，最后一定相遇与环入口。 证明： 设： 链表头到环入口长度为–a 环入口到相遇点长度为–b 相遇点到环入口长度为–c 则：相遇时 快指针路程=a+(b+c)k+b ，k>=1 其中b+c为环的长度，k为绕环的圈数（k>=1,即最少一圈，不能是0圈，不然和慢指针走的一样长，矛盾）。 慢指针路程=a+b 快指针走的路程是慢指针的两倍，所以： （a+b）*2=a+(b+c)k+b 化简可得： a=(k-1)(b+c)+c 这个式子的意思是： 链表头到环入口的距离=相遇点到环入口的距离+（k-1）圈环长度。其中k>=1,所以k-1>=0圈。所以两个指针分别从链表头和相遇点出发，最后一定相遇于环入口。

github博客传送门 csdn博客传送门 ==RCNN== 1、生成候选区域 使用Selective Search（选择性搜索）方法对一张图像生成约2000-3000个候选区域，基本思路如下： （1）使用一种过分割手段，将图像分割成小区域 （2）查看现有小区域，合并可能性最高的两个区域，重复直到整张图像合并成一个区域位置。优先合并以下区域： 颜色（颜色直方图）相近的 纹理（梯度直方图）相近的 合并后总面积小的 合并后，总面积在其BBOX中所占比例大的 在合并时须保证合并操作的尺度较为均匀，避免一个大区域陆续“吃掉”其它小区域，保证合并后形状规则。 （3）输出所有曾经存在过的区域，即所谓候选区域 2、特征提取 使用深度网络提取特征之前，首先把候选区域归一化成同一尺寸227×227。 使用CNN模型进行训练，例如AlexNet，一般会略作简化。 3、类别判断 对每一类目标，使用一个线性SVM二类分类器进行判别。 输入为深度网络（如上图的AlexNet）输出的4096维特征，输出是否属于此类。 4、位置精修 目标检测的衡量标准是重叠面积：许多看似准确的检测结果，往往因为候选框不够准确， 重叠面积很小，故需要一个位置精修步骤，对于每一个类，训练一个线性回归模型去判定这个框是否框得完美。 ==Fast R-CNN== Fast R-CNN主要解决R-CNN的以下问题： 1、训练

给定一个链表，判断链表中是否有环。 为了表示给定链表中的环，我们使用整数 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。 示例 1： 输入：head = [3,2,0,-4], pos = 1 输出：true 解释：链表中有一个环，其尾部连接到第二个节点。 示例 2： 输入：head = [1,2], pos = 0 输出：true 解释：链表中有一个环，其尾部连接到第一个节点。 示例 3： 输入：head = [1], pos = -1 输出：false 解释：链表中没有环。 进阶： 你能用 O(1)（即，常量）内存解决此问题吗？ /** * Definition for singly-linked list. * struct ListNode { * int val; * struct ListNode *next; * }; */ bool hasCycle(struct ListNode *head) { struct ListNode *slow = NULL; struct ListNode *fast = NULL; if ((head == NULL) || (head->next == NULL)) { return false; } slow = head; fast = head->next;

一：问题描述 环形链表 II 给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回 null 。 为了表示给定链表中的环，我们使用整数 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。 说明： 不允许修改给定的链表。 示例 1： 输入： head = [3,2,0,-4], pos = 1 输出： tail connects to node index 1 解释： 链表中有一个环，其尾部连接到第二个节点。 示例 2： 输入： head = [1,2], pos = 0 输出： tail connects to node index 0 解释： 链表中有一个环，其尾部连接到第一个节点。 示例 3： 输入： head = [1], pos = -1 输出： no cycle 解释： 链表中没有环。 二：问题分析 以下分析为leetcode官方题解 Floyd 算法 想法 当然一个跑得快的人和一个跑得慢的人在一个圆形的赛道上赛跑，会发生什么？在某一个时刻，跑得快的人一定会从后面赶上跑得慢的人。 算法 Floyd 的算法被划分成两个不同的 阶段 。在第一阶段，找出列表中是否有环，如果没有环，可以直接返回 null 并退出。否则，用 相遇节点 来找到环的入口。 阶段 1 这里我们初始化两个指针 - 快指针和慢指针

流量控制概念 拥塞控制 慢开始（Slow-Start）和拥塞避免（Congestion Avoidance）结合 拥塞窗口 cwnd ssthresh 快重传（Fast Retransmit）和快恢复（Fast Recovery）结合 3个以上的重复ACK https://blog.csdn.net/seu_calvin/article/details/53198282 来源： 51CTO 作者： WDPQW 链接： https://blog.51cto.com/13747009/2167313

最近正要看Contextual Action Recognition with R*CNN，学习基于动态图像图像的行为识别，所以要恶补下它所需要的知识。 也就是目标检测常见的几种算法。 1、首先目标检测是什么？ 在给定的图片中找到物体的所在位置，并且分辨出物体的类别。这实际上是两个任务。 图像识别：image ----> cat/dog 图像定位：image ---->(x,y,w,h) 2、实现目标检测的几种方法： 1）传统的目标检测方法 大概思路是：采用classification和regression相结合的方式，对一张图片，用各种大小的框（遍历整张图片）将图片截取出来，输入到CNN，然后CNN会输出这个框的得分（classification）以及这个框图片对应的x,y,h,w（regression）。 问题：基于滑动窗口的选择策略没有针对性，窗口冗余，时间复杂度高 检测多个物体很难进行。 2）候选区域+深度学习分类 R-CNN 为了防止基于滑动窗口的选择策略没有针对性，我们可以实现在途中找出目标可能出现的位置（利用颜色，纹理，边缘等等），即候选区域。 简要步骤： (1) 输入测试图像 (2) 利用选择性搜索Selective Search算法在图像中从下到上提取2000个左右的可能包含物体的候选区域Region Proposal (3) 因为取出的区域大小各自不同

请判断一个链表是否为回文链表。 示例 1: 输入: 1->2 输出: false 示例 2: 输入: 1->2->2->1 输出: true 最容易想到方法：（超时） 转换成数组然后一个从前遍历、一个从后遍历，直到相遇，但是出现超时问题 快慢指针+头插法建立单链表 快慢指针我们很容易求出单链表中居于中间位置的值 头插法，可以实现原地单链表逆序，我们只是逆序单链表中间位置之前的数据 public boolean isPalindrome ( ListNode head ) { if ( head == null || head . next == null ) return true ; ListNode slow = head , fast = head ; ListNode pre = head ; //新链表的头================ ListNode newhead = new ListNode ( 0 ) ; newhead . next = null ; //========================= while ( fast != null && fast . next != null ) { pre = slow ; //====快慢指针========== slow = slow . next ; fast = fast . next . next

力扣练习——移除元素（python） 问题描述 思路与提示 思路 官方提示 代码 while 循环 双指针 总结 这个题解决了两个疑问： 1.for循环中不能用原地法将列表中的特定元素删除干净，但while循环可以（解释）。 2.双指针的思想很巧妙 问题描述 给定一个数组 nums 和一个值 val，你需要原地移除所有数值等于 val 的元素，返回移除后数组的新长度。 不要使用额外的数组空间，你必须在原地修改输入数组并在使用 O(1) 额外空间的条件下完成。 元素的顺序可以改变。你不需要考虑数组中超出新长度后面的元素。 示例 1: 给定 nums = [3,2,2,3], val = 3, 函数应该返回新的长度 2, 并且 nums 中的前两个元素均为 2。 示例 2: 给定 nums = [0,1,2,2,3,0,4,2], val = 2, 函数应该返回新的长度 5, 并且 nums 中的前五个元素为 0, 1, 3, 0, 4。 注意这五个元素可为任意顺序。 来源：力扣（LeetCode） 链接：https://leetcode-cn.com/problems/remove-element 思路与提示 思路 如果将列表中值为val的元素直接pop或者remove出，很容易就可以实现。但是操作的时候发现用for 循环无法将列表中的特定元素删除干净。 官方提示 1.Try two

本篇文章结合了源码解读记忆对于faster rcnn进行一些新的看法 精髓就是：使用深度卷积网络选出候选框，fast rcnn选出候选区域，attention，RPN告诉fast rcnn 到底应该关注哪里。 首先faster rcnn在定义网络结构的时候，是在原来的特征提取网络的基础上进行微调的，所以网络结构主要分为 Extrator：利用CNN进行特征提取，网路结构可以采用VGG16也可以采用resnext，或者直接使用与训练模型，可以将conv5-3的输出作为图片的特征输入到RPN中，因为这一层的感受野为16，相当于原始图片的大小。 RPN。候选区域网络，为ROIhead模块提取候选区域,是一个完全的卷积网络，可端到端的训练，产生检测区域，anchor就是多尺度宽高比 ROIhead：负责ROI的微调 RPN可以使用反向传播算法和SGD进行端到端的训练，作者遵循image-centric采样原则，训练网络，每个mini-batch都是从一个image中产生，包含很多正anchor和负anchor的例子。这样优化损失函数是可能的，但是由于负anchor按主导地位，可能会产生偏差。因此，一个mini-batch中随机抽选了一个image中的256个anchor来计算损失函数，其中正负比为1:1，如果一个image中正样本少于128，则使用负样本补足。 新的层权重都使用均值0

快慢指针： 双指针的一种。在链表中设置两个指针，不同步地遍历链表。可以在两个指针之间制造我们需要的距离。 LeetCode 141 环形链表 easy 题面纯属为了测试时修改样例用，只要按判断链表中是否存在环做就行了。 思路一：Hash 最容易想到的思路应该是哈希法，每当一个链表被访问过了，就把它记录在哈希表里，当链表中存在环时就会有重复访问的节点，代码略。 思路二：快慢指针 设置两个指针，fast和slow，步长分别为2，1。如果将链表比作跑道，这就意味着fast的速度是slow的两倍。而当链表中存在环时，fast再快也不会访问到NULL，而又因为fast速度快，早晚会超过slow一整圈，即一段时间后两指针会重新相遇（fast==slow）。 1 class Solution { 2 public: 3 bool hasCycle(ListNode *head) { 4 if(NULL==head||NULL==head->next) 5 return false; 6 7 ListNode *slow=head; 8 ListNode *fast=head; 9 10 while(NULL!=fast&&NULL!=fast->next) 11 { 12 fast=fast->next->next; 13 slow=slow->next; 14 if(fast==slow)