# 1001 对 $link-cut-tree$ 有所了解的选手不难发现，操作 $1$ 是在模拟 $lct$ 的 $access$ 操作 于是操作 $1$ 可以在 $lct$ 虚实边切换的时候用一个线段树区间修改，同时维护操作 $4$ 的答案 操作 $2$ 相当于单点询问，操作 $3$ 相当于询问子树和然后再扣掉点 $u$ 的答案 复杂度 $
前言 本文为我自己的学习笔记，是Cadence Virtuoso系列的第二篇文章，也是入门系列的文章，采用的软件版本是Cadence Virtuoso IC617。其他文章请点击上方，看我制作的Cadence Virtuoso专栏内容。 本文主要记录了如何用Cadence Virtuoso IC617和工艺参数设计有源负载差动对（俗称五管OT
$\quad \ $ 给定整数a,b,m，求一个整数x满足\(a*x \equiv b \ (mod \ m)\),或者给出无解。因为未知数的指数为1，所以我们称之为一次同余方程，也称线性同余方程。 $\quad \ $ \(a*x \equiv b \ (mod \ m)\)等价于 \(a*x-b\)是m的倍数，不妨设为-y倍，于是该方程可改写为\(a*x+m*y=b\) $\qua
A-Odd vs Even \(\quad\)因为是第一人题所以说比较简单。 \(\quad\)用小学老师交给我们的方法将一个数因数分解，这个数可以表示为多组数相乘。 \(\quad\)而我们知道 \(Odd * Odd = Odd\) \(Odd * Even = Even\) \(Even * Even = Even\) \(\quad\)那么现在我们发现如果这个数是一
定义：若整数a和整数b除以正整数m的余数相等,则称a，b模m同余，记为\(a \equiv b \ (mod \ m )\) 同余类与剩余类 $ \quad \ \ $ 对于\(\forall a \in [0,m-1],集合\{a+km\}(k \in Z)\)中的所有数模m同余，余数都是a，该集合称为一个模m的同余类，简记为\(\bar{a}\) $ \quad \ \ $ 模m的同
\(\quad\quad VII.\quad INFINITESIMAL\quad ANALYSIS\) \(这里，在结尾之际，我们应该解释一下前面的那些探讨和无穷小分析理论之间的关系。\) $\quad\quad 我们说一个无级变幅x通过连续确定数值靠近一个固定值\alpha，就是指x最终会和\alpha \( \)共同处于某两个数之间，或者，x积累到与\a
\[\huge \rm 虚树 \] \[\Large\rm 算法简介 \]\(\quad\)在一些问题中，我们只关心一些关键点的信息，同时我们需要维护他们之间的树形结构，于是可以想到将它们和它们之间的 \(\rm LCA\) 拉出来建一颗树，这棵树就被称作虚树。 \(\quad\)有一个朴素的想法，就是对它们两两求 \(\rm LCA\)，并且
数模LaTex学习笔记 一、必备软件 1. Mathpix Snip:用于公式截图转换为LaTex格式的公式代码 2. Tables Generator:用于表格代码的生成（推荐使用三线表） 在线网址:http://www.tablesgenerator.com/latex_tables 3. Zotero / JabRef:两个配套软件，用于参考文献的导入 4. Adobe Acro
论文阅读笔记：Remote Sensing Image Change Detection With Transformers 论文题目： Remote Sensing Image Change Detection With Transformers 论文链接：https://ieeexplore.ieee.org/document/9491802 代码链接：https://github.com/justchenhao/BIT_CD 引用方式： @Article{chen
\[\huge \rm 差分约束 \] \[\Large \rm 算法简介 \]\(\quad\)差分约束算法是用来解形如 \(x_1-x_2\leqslant k\) 的若干个方程。 \(\quad\)我们发现可以将方程移项成 \(x_1\leqslant x_2+k\)，解方程的时候考虑建图，从 \(x_2\) 向 \(x_1\) 连一条长度为 \(k\) 的边，然后对这张图建一个
1.1 向量的点乘与叉乘 点乘 向量的点乘可以求得一个数，利用点乘可以进一步计算两向量的夹角大小，或者一个向量在另一向量的投影长度。这一运算可用于路径判断中 叉乘 叉乘的含义决定，计算结果是一个向量。结果向量方向上垂直于参加叉乘的两向量，因此称之为法向量，根据右手螺旋定则
目录 1.SVM的问题提出2.SVM推导与证明3.线性SVM求解优化方法 1.SVM的问题提出 终于讲到大名鼎鼎的支撑向量机（support vector machine）SVM。初见此名，相信大家跟我一样都是满脸的黑人问号，什么是支撑向量，什么又是向量机？切莫着急，听我一一道来。 之前我们在讲线性回归
\[\huge 最小生成树 \] \[\Large \rm 最小生成树算法 \]\(\large \rm Kruskal\) \(\quad\)最常用且大部分情况下效率最高的最小生成树算法。 \(\quad\)将边按长度从小到大排序，每次贪心选择最短的一条边，若这条边连接的两个点还为连通，则将两个点所在的连通块用这条边连接，连通块用并
1.1 Zynq FPGA Quad-SPI闪存控制器介绍 1.1.1 本节目录 1）本节目录； 2）本节引言； 3）FPGA简介； 4）Zynq FPGA Quad-SPI闪存控制器介绍； 5）结束语。 1.1.2 本节引言 “不积跬步，无以至千里；不积小流，无以成江海。就是说：不积累一步半步的行程，就没有办法达到千里之远；不积累细小的流水，就没有办法
#0.0 前置知识 #0.1 循环同构 当字符串 \(S\) 中存在一个位置 \(i\) 使得 \[S[i\cdots n]+S[1\cdots n-1]=T \]则称 \(S\) 与 \(T\) 循环同构。 #0.2 最小表示 字符串 \(S\) 的最小表示为与 \(S\) 循环同构的所有字符串中字典序最小的字符串。 #1.0 朴素算法 思想很简单，我们每次比
一、拉格朗日对偶函数 二、拉格朗日对偶问题 三、强弱对偶的几何解释 四、鞍点解释 4.1 鞍点的基础定义 4.2 极大极小不等式和鞍点性质 五、最优性条件与 KKT 条件 5.1 KKT 条件 5.2 KKT 条件与凸问题 5.3 互补松弛性 六、扰动及灵敏度分析 6.1 扰动问题 6.2 灵敏度分析 七、Reform
04-拉格朗日对偶问题和KKT条件 目录一、拉格朗日对偶函数二、拉格朗日对偶问题三、强弱对偶的几何解释四、鞍点解释4.1 鞍点的基础定义4.2 极大极小不等式和鞍点性质五、最优性条件与 KKT 条件5.1 KKT 条件5.2 KKT 条件与凸问题六、扰动及灵敏度分析6.1 扰动问题6.2 灵敏度分析七
Reinforcement Learning: An Introduction (second edition) - Chapter 9,10 Contents Chapter 1,2 Chapter 3,4 Chapter 5,6 Chapter 7,8 Chapter 9 9.1 Show that tabular methods such as presented in Part I of this book are a special case of linear function appro
1 前言 虽然该机器学习算法名字里面有“回归”，但是它其实是个分类算法。取名逻辑回归主要是因为是从线性回归转变而来的。 logistic回归，又叫对数几率回归。 2 logistic回归和线性回归的关系 2.1 线性回归模型 首先给出线性回归模型： $h_\theta(x_1, x_2, ...x_n
Dataset之谷歌地图数据集：谷歌地图数据集的简介、安装、使用方法之详细攻略 目录 谷歌地图数据集的简介 谷歌地图数据集的安装 谷歌地图数据集的使用方法 谷歌地图数据集的简介 谷歌地图中的1000多张图片。包含了卫星图像和对应的地图，大小为246MB。
对于 I S O / I E C 7816
Solution: \quad 将 n n n阶实对称矩阵 A A
Reinforcement Learning: An Introduction (second edition) - Chapter 5,6 Contents Chapter 1,2 Chapter 3,4 Chapter 5 5.1 Consider the diagrams on the right in Figure 5.1. Why does the estimated value function jump up for the last two rows in the rear? Why
文章目录 1.幂次方2.公式下角标3.希腊字母4.运算符5.空格，大空格6.集合7.极限8.分支公式(大括号)9.中括号矩阵 1.幂次方 例：22 2^2^ 2.公式下角标 例： p t
