代码随想录算法day39 | 动态规划算法part12 | 115.不同的子序列，583. 两个字符串的删除操作，72. 编辑距离

115.不同的子序列

相对于 392.判断子序列，本题有难度了，感受一下本题和 392.判断子序列 的区别。

力扣题目链接(opens new window)

给定一个字符串 s 和一个字符串 t ，计算在 s 的子序列中 t 出现的个数。

字符串的一个 子序列 是指，通过删除一些（也可以不删除）字符且不干扰剩余字符相对位置所组成的新字符串。（例如，"ACE" 是 "ABCDE" 的一个子序列，而 "AEC" 不是）

题目数据保证答案符合 32 位带符号整数范围。

115.不同的子序列示例

提示：

  • 0 <= s.length, t.length <= 1000
  • s 和 t 由英文字母组成

这道题目如果不是子序列，而是要求连续序列的，那就可以考虑用KMP。

相对于之前的 392.判断字序列 就有难度了，这道题目双指针法可就做不了了，来看看动规五部曲分析如下：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j]：以 i-1 为结尾的 s 子序列中出现以 j-1 为结尾的 t 的个数为 dp[i][j]。

为什么 i-1，j-1 这么定义在 718.最长重复子数组 中做了详细的讲解。

  • 确定递推公式

这一类问题，基本是要分析两种情况

  • s[i - 1] 与 t[j - 1]相等
  • s[i - 1] 与 t[j - 1] 不相等

当 s[i - 1] 与 t[j - 1]相等时，dp[i][j] 可以有两部分组成。

一部分是用 s[i - 1] 来匹配，那么个数为 dp[i - 1][j - 1]。即不需要考虑当前 s 子串和 t 子串的最后一位字母，所以只需要 dp[i-1][j-1]。

一部分是不用s[i - 1]来匹配，个数为dp[i - 1][j]。

这里可能有盆友不明白了，为什么还要考虑 不用s[i - 1]来匹配，都相同了指定要匹配啊。

例如： s：bagg 和 t：bag ，s[3] 和 t[2]是相同的，但是字符串 s 也可以不用 s[3] 来匹配，即用s[0]s[1]s[2]组成的bag。

当然也可以用s[3]来匹配，即：s[0]s[1]s[3]组成的bag。

所以当s[i - 1] 与 t[j - 1]相等时，dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];

当s[i - 1] 与 t[j - 1]不相等时，dp[i][j]只有一部分组成，不用s[i - 1]来匹配（就是模拟在 s 中删除这个元素），即：dp[i - 1][j]

所以递推公式为：dp[i][j] = dp[i - 1][j];

这里可能还有疑惑，为什么只考虑 “不用 s[i - 1] 来匹配” 这种情况， 不考虑 “不用t[j - 1]来匹配” 的情况呢。

这里大家要明确，我们求的是 s 中有多少个 t，而不是求 t 中有多少个 s，所以只考虑 s 中删除元素的情况，即不用 s[i - 1] 来匹配的情况。

  • dp数组如何初始化

从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j]; 和 dp[i][j] = dp[i - 1][j]; 中可以看出dp[i][j] 是从上方和左上方推导而来，如图：，那么 dp[i][0] 和dp[0][j]是一定要初始化的。

每次当初始化的时候，都要回顾一下 dp[i][j] 的定义，不要凭感觉初始化。

dp[i][0]表示什么呢？

dp[i][0] 表示：以i-1为结尾的s可以随便删除元素，出现空字符串的个数。

那么dp[i][0]一定都是1，因为也就是把以 i-1 为结尾的 s，删除所有元素，出现空字符串的个数就是1。

再来看dp[0][j]

dp[0][j]：空字符串 s 可以随便删除元素，出现以j-1为结尾的字符串t的个数。

那么dp[0][j]一定都是0，s 如论如何也变成不了 t。

最后就要看一个特殊位置了，即：dp[0][0] 应该是多少。

dp[0][0]应该是 1，空字符串 s，可以删除 0 个元素，变成空字符串 t。

初始化分析完毕，代码如下：

int[][] dp = new int[s.length() + 1][t.length() + 1];
for (int i = 0; i < s.length() + 1; i++) {dp[i][0] = 1;
}

  • 确定遍历顺序

从递推公式dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j]; 和 dp[i][j] = dp[i - 1][j]; 中可以看出dp[i][j]都是根据左上方和正上方推出来的。

所以遍历的时候一定是从上到下，从左到右，这样保证 dp[i][j] 可以根据之前计算出来的数值进行计算。

代码如下：

for (int i = 1; i <= s.length(); i++) {for (int j = 1; j <= t.length(); j++) {if (s[i - 1] == t[j - 1]) {dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];} else {dp[i][j] = dp[i - 1][j];}}
}

  • 举例推导dp数组

以s："baegg"，t："bag"为例，推导dp数组状态如下：

115.不同的子序列

如果写出来的代码怎么改都通过不了，不妨把dp数组打印出来，看一看，是不是这样的。

动规五部曲分析完毕，代码如下：

class Solution {public int numDistinct(String s, String t) {int[][] dp = new int[s.length() + 1][t.length() + 1];for (int i = 0; i < s.length() + 1; i++) {dp[i][0] = 1;}for (int i = 1; i < s.length() + 1; i++) {for (int j = 1; j < t.length() + 1; j++) {if (s.charAt(i - 1) == t.charAt(j - 1)) {dp[i][j] = dp[i - 1][j - 1] + dp[i - 1][j];}else{dp[i][j] = dp[i - 1][j];}}}return dp[s.length()][t.length()];}
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)

 583. 两个字符串的删除操作

本题和上题 115.不同的子序列 相比，其实就是两个字符串都可以删除了，情况虽说复杂一些，但整体思路是不变的。

力扣题目链接(opens new window)

给定两个单词 word1 和 word2，找到使得 word1 和 word2 相同所需的最小步数，每步可以删除任意一个字符串中的一个字符。

示例：

  • 输入: "sea", "eat"
  • 输出: 2
  • 解释: 第一步将"sea"变为"ea"，第二步将"eat"变为"ea"

本题和上题 115.不同的子序列 相比，其实就是两个字符串都可以删除了，情况虽说复杂一些，但整体思路是不变的。

这次是两个字符串可以相互删了，这种题目也知道用动态规划的思路来解，动规五部曲，分析如下：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j]：以 i-1 为结尾的字符串 word1，和以 j-1 为结尾的字符串 word2，想要达到相等，所需要删除元素的最少次数。

这里dp数组的定义有点点绕，大家要捋清思路。

  • 确定递推公式

  • 当word1[i - 1] 与 word2[j - 1]相同的时候
  • 当word1[i - 1] 与 word2[j - 1]不相同的时候

当word1[i - 1] 与 word2[j - 1]相同的时候，dp[i][j] = dp[i - 1][j - 1];

当word1[i - 1] 与 word2[j - 1]不相同的时候，有三种情况：

情况一：删word1[i - 1]，最少操作次数为dp[i - 1][j] + 1

情况二：删word2[j - 1]，最少操作次数为dp[i][j - 1] + 1

情况三：同时删word1[i - 1]和word2[j - 1]，操作的最少次数为dp[i - 1][j - 1] + 2

那最后当然是取最小值，所以当word1[i - 1] 与 word2[j - 1]不相同的时候，递推公式：dp[i][j] = min({dp[i - 1][j - 1] + 2, dp[i - 1][j] + 1, dp[i][j - 1] + 1});

  • dp数组如何初始化

从递推公式中，可以看出来，dp[i][0] 和 dp[0][j]是一定要初始化的。

dp[i][0]：word2为空字符串，以 i-1 为结尾的字符串word1要删除多少个元素，才能和 word2 相同呢，很明显 dp[i][0] = i。

dp[0][j]的话同理，所以代码如下：

int[][] dp = new int[word1.length() + 1][word2.length() + 1];
for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;
for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;

  • 确定遍历顺序

从递推公式 dp[i][j] = min(dp[i - 1][j - 1] + 2, min(dp[i - 1][j], dp[i][j - 1]) + 1); 和dp[i][j] = dp[i - 1][j - 1]可以看出dp[i][j]都是根据左上方、正上方、正左方推出来的。

所以遍历的时候一定是从上到下，从左到右，这样保证dp[i][j]可以根据之前计算出来的数值进行计算。

  • 举例推导dp数组

以word1:"sea"，word2:"eat"为例，推导dp数组状态图如下：

583.两个字符串的删除操作1

以上分析完毕，代码如下：

// dp数组中存储需要删除的字符个数
class Solution {public int minDistance(String word1, String word2) {int[][] dp = new int[word1.length() + 1][word2.length() + 1];for (int i = 0; i < word1.length() + 1; i++) dp[i][0] = i;for (int j = 0; j < word2.length() + 1; j++) dp[0][j] = j;for (int i = 1; i < word1.length() + 1; i++) {for (int j = 1; j < word2.length() + 1; j++) {if (word1.charAt(i - 1) == word2.charAt(j - 1)) {dp[i][j] = dp[i - 1][j - 1];}else{dp[i][j] = Math.min(dp[i - 1][j - 1] + 2,Math.min(dp[i - 1][j] + 1, dp[i][j - 1] + 1));}}}return dp[word1.length()][word2.length()];}
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)

72. 编辑距离

最终我们迎来了编辑距离这道题目，之前安排题目都是为了编辑距离做铺垫。

力扣题目链接(opens new window)

给你两个单词 word1 和 word2，请你计算出将 word1 转换成 word2 所使用的最少操作数 。

你可以对一个单词进行如下三种操作：

  • 插入一个字符

  • 删除一个字符

  • 替换一个字符

  • 示例 1：

  • 输入：word1 = "horse", word2 = "ros"

  • 输出：3

  • 解释： horse -> rorse (将 'h' 替换为 'r') rorse -> rose (删除 'r') rose -> ros (删除 'e')

  • 示例 2：

  • 输入：word1 = "intention", word2 = "execution"

  • 输出：5

  • 解释： intention -> inention (删除 't') inention -> enention (将 'i' 替换为 'e') enention -> exention (将 'n' 替换为 'x') exention -> exection (将 'n' 替换为 'c') exection -> execution (插入 'u')

提示：

  • 0 <= word1.length, word2.length <= 500
  • word1 和 word2 由小写英文字母组成

编辑距离终于来了，这道题目如果大家没有了解动态规划的话，会感觉超级复杂。

编辑距离是用动规来解决的经典题目，这道题目看上去好像很复杂，但用动规可以很巧妙的算出最少编辑距离。

接下来我依然使用动规五部曲，对本题做一个详细的分析：

  • 确定dp数组（dp table）以及下标的含义

dp[i][j] 表示以下标 i-1 为结尾的字符串word1，和以下标 j-1 为结尾的字符串word2，最小编辑距离为dp[i][j]。

有同学问了，为啥要表示下标 i-1 为结尾的字符串呢，为啥不表示下标i为结尾的字符串呢？

其实用 i 来表示也可以！ 用 i-1 就是为了方便后面dp数组初始化的。

  • 确定递推公式

在确定递推公式的时候，首先要考虑清楚编辑的几种操作，整理如下：

if (word1[i - 1] == word2[j - 1])不操作
if (word1[i - 1] != word2[j - 1])增删换

也就是如上4种情况。

if (word1[i - 1] == word2[j - 1]) 那么说明不用任何编辑，dp[i][j] 就应该是 dp[i - 1][j - 1]，即dp[i][j] = dp[i - 1][j - 1];

此时可能有同学有点不明白，为啥要即dp[i][j] = dp[i - 1][j - 1]呢？

那么就在回顾上面讲过的dp[i][j]的定义，word1[i - 1] 与 word2[j - 1]相等了，那么就不用编辑了，以下标 i-2 为结尾的字符串word1和以下标 j-2 为结尾的字符串word2的最小编辑距离dp[i - 1][j - 1]就是 dp[i][j]了。

在下面的讲解中，如果哪里看不懂，就回想一下dp[i][j]的定义，就明白了。

在整个动规的过程中，最为关键就是正确理解dp[i][j]的定义！

if (word1[i - 1] != word2[j - 1])，此时就需要编辑了，如何编辑呢？

  • 操作一：word1删除一个元素，那么就是以下标 i - 2 为结尾的 word1 与 j-1为结尾的word2的最小编辑距离 再加上一个操作。

即 dp[i][j] = dp[i - 1][j] + 1;

  • 操作二：word2删除一个元素，那么就是以下标 i - 1 为结尾的word1 与 j-2 为结尾的word2的最小编辑距离 再加上一个操作。

即 dp[i][j] = dp[i][j - 1] + 1;

这里有同学发现了，怎么都是删除元素，添加元素去哪了。

word2添加一个元素，相当于word1删除一个元素，例如 word1 = "ad" ，word2 = "a"，word1删除元素'd' 和 word2添加一个元素'd'，变成word1="a", word2="ad"， 最终的操作数是一样！ dp数组如下图所示意的：

            a                         a     d+-----+-----+             +-----+-----+-----+|  0  |  1  |             |  0  |  1  |  2  |+-----+-----+   ===>      +-----+-----+-----+a |  1  |  0  |           a |  1  |  0  |  1  |+-----+-----+             +-----+-----+-----+d |  2  |  1  |+-----+-----+
  • 操作三：替换元素，word1替换word1[i - 1]，使其与word2[j - 1]相同，此时不用增删加元素。

可以回顾一下，if(word1[i - 1] == word2[j - 1])的时候我们的操作是 dp[i][j] = dp[i - 1][j - 1] 对吧。

那么只需要一次替换的操作，就可以让 word1[i - 1] 和 word2[j - 1] 相同。

所以 dp[i][j] = dp[i - 1][j - 1] + 1;

综上，当 if(word1[i - 1] != word2[j - 1]) 时取最小的，即：dp[i][j] = min({dp[i - 1][j - 1], dp[i - 1][j], dp[i][j - 1]}) + 1;

递归公式代码如下：

if (word1[i - 1] == word2[j - 1]) {dp[i][j] = dp[i - 1][j - 1];
}
else {dp[i][j] = Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1])) + 1;
}

  • dp数组如何初始化

再回顾一下dp[i][j]的定义：

dp[i][j] 表示以下标 i-1 为结尾的字符串word1，和以下标 j-1 为结尾的字符串word2，最近编辑距离为dp[i][j]。

那么dp[i][0] 和 dp[0][j] 表示什么呢？

dp[i][0] ：以下标 i-1 为结尾的字符串 word1，和空字符串 word2，最近编辑距离为 dp[i][0]。

那么 dp[i][0] 就应该是 i，对 word1 里的元素全部做删除操作，即：dp[i][0] = i;

同理dp[0][j] = j;

所以代码如下：

for (int i = 0; i <= word1.length(); i++) dp[i][0] = i;
for (int j = 0; j <= word2.length(); j++) dp[0][j] = j;

  • 确定遍历顺序

从如下四个递推公式：

  • dp[i][j] = dp[i - 1][j - 1]
  • dp[i][j] = dp[i - 1][j - 1] + 1
  • dp[i][j] = dp[i][j - 1] + 1
  • dp[i][j] = dp[i - 1][j] + 1

可以看出dp[i][j]是依赖左方，上方和左上方元素的，如图：

72.编辑距离

所以在dp矩阵中一定是从左到右从上到下去遍历。

代码如下：

for (int i = 1; i <= word1.length(); i++) {for (int j = 1; j <= word2.length(); j++) {if (word1[i - 1] == word2[j - 1]) {dp[i][j] = dp[i - 1][j - 1];}else {dp[i][j] = Math.min(dp[i - 1][j - 1], Math.min(dp[i - 1][j], dp[i][j - 1])) + 1;}}
}

  • 举例推导dp数组

以示例1为例，输入：word1 = "horse", word2 = "ros"为例，dp矩阵状态图如下：

72.编辑距离1

以上动规五部分析完毕，Java代码如下：

public int minDistance(String word1, String word2) {int m = word1.length();int n = word2.length();int[][] dp = new int[m + 1][n + 1];// 初始化for (int i = 1; i <= m; i++) {dp[i][0] =  i;}for (int j = 1; j <= n; j++) {dp[0][j] = j;}for (int i = 1; i <= m; i++) {for (int j = 1; j <= n; j++) {// 因为dp数组有效位从1开始// 所以当前遍历到的字符串的位置为i-1 | j-1if (word1.charAt(i - 1) == word2.charAt(j - 1)) {dp[i][j] = dp[i - 1][j - 1];} else {dp[i][j] = Math.min(Math.min(dp[i - 1][j - 1], dp[i][j - 1]), dp[i - 1][j]) + 1;}}}return dp[m][n];
}
  • 时间复杂度: O(n * m)
  • 空间复杂度: O(n * m)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/1544484.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

电路 - 笔记2

电路 - 笔记2

1 555 芯片 2 类比 - pU*I 与 Fm*a 是不是可以与牛顿定律类比 - Fm*a 人的力量&#xff08;F&#xff09;有限。 当推大箱子&#xff08;m&#xff09;时&#xff0c;加速度&#xff08;a&#xff09;就不会很大 当推小箱子&#xff08;m&#xff09;时&#xff0c;加速度…
阅读更多...
十大开放式耳机排名？强烈推荐这五大高性能款式！

十大开放式耳机排名？强烈推荐这五大高性能款式！

目前市场上的开放式蓝牙耳机种类繁多&#xff0c;如何挑选适合自己的开放式蓝牙耳机&#xff1f;作为一名数码评测员&#xff0c;从去年在现在&#xff0c;也体验了许多款开放式蓝牙耳机&#xff0c;结合我的体验和产品配置参数&#xff0c;为大家整理了一份开放式耳机排行榜&a…
阅读更多...
PostgreSQL 一张表多个字段关联另一张表

PostgreSQL 一张表多个字段关联另一张表

event_catalog 表 event 表 sql SELECT event.event_uuid, event.event_case_id, event.event_status, event.event_catalog_1, event.event_catalog_2, event.event_catalog_3, event.event_title, event.event_content, event.event_source, event.event_purpose, event.eve…
阅读更多...
Hi3516CV610-20S 芯片及开发板

Hi3516CV610-20S 芯片及开发板

总体介绍 Hi3516CV610 是一颗应用在安防市场的 IPC 处理器内核 SoC。在开放操作系统、新一代视频编解码标 准、网络安全和隐私保护、人工智能方面引领行业发展&#xff0c;主要面向室内外场景下的枪机、球机、半球机、海 螺机、枪球一体机、双目长短焦机等产品形态&#xff0c;…
阅读更多...
全球视角下的知识产权管理

全球视角下的知识产权管理

跨国企业作为全球经济的重要参与者&#xff0c;其知识产权的管理不仅关乎企业自身利益&#xff0c;更影响到其在全球市场的布局与竞争力。然而&#xff0c;跨国企业在进行全球知识产权管理时&#xff0c;往往面临诸多挑战。在全球知识产权管理的过程中&#xff0c;专业管理系统…
阅读更多...
【Linux】安装配置nginx

【Linux】安装配置nginx

文章目录 一、替换镜像源1.对系统本身的yum源进行备份2.下载阿里云 CentOS 7 镜像源配置文件3.删除所有的自带的源&#xff0c;只保留阿里的&#xff0c;和备份源4.清除旧的 YUM 缓存5.创建新的 YUM 缓存 二、配置环境1.安装依赖2.创建nginx安装目录3.下载nginx4.安装nginx5.查…
阅读更多...
Electron 更换窗口图标、exe执行文件图标

Electron 更换窗口图标、exe执行文件图标

首先在项目根目录下准备好图标&#xff1a; 配置窗口图标&#xff1a; 配置打包后 exe执行文件 的图标&#xff1a; 效果展示&#xff1a;
阅读更多...
动物关键点数据集-yolov8 pose动物关键点识别-动物姿态估计-keypoints(代码+数据集)

动物关键点数据集-yolov8 pose动物关键点识别-动物姿态估计-keypoints(代码+数据集)

跨域适应于动物姿态估计 概览 本文介绍了一个专门用于动物姿态估计的数据集&#xff0c;该数据集包含了五个不同种类的动物&#xff1a;狗、猫、牛、马和羊。整个数据集中共包含超过6000个实例&#xff0c;分布在4000多张图像上。此外&#xff0c;数据集还为另外七种动物提供…
阅读更多...
《十年国庆游，洞察中国旅游新趋势》

《十年国庆游，洞察中国旅游新趋势》

作者&#xff1a;侯炯 一、十年国庆旅游数据总览 过去十年&#xff0c;中国国庆旅游市场呈现出丰富的变化和强劲的发展态势。从接待游客人次来看&#xff0c;2014 年接待国内游客 4.75 亿人次&#xff0c;到 2019 年已增长至 7.82 亿人次&#xff0c;2023 年国内旅游出游人数更…
阅读更多...
K8s安装部署（v1.28）--超详细（cri-docker作为运行时）

K8s安装部署（v1.28）--超详细（cri-docker作为运行时）

1、准备环境 ip角色系统主机名cpumem192.168.40.129mastercentos7.9k8smaster48192.168.40.130node1centos7.9k8snode148192.168.40.131node2centos7.9k8snode248192.168.40.132node3centos7.9k8snode348 2、系统配置&#xff08;所有节点&#xff09; 重要&#xff1a;首先…
阅读更多...
关于ShuffleNetV1中的channel shuffle操作【代码分析】

关于ShuffleNetV1中的channel shuffle操作【代码分析】

1. 官方给出的代码 旷视科技在自己的开源GitHub上给出的channel shuffle相关代码如下图所示&#xff1a; 分析上图中的代码&#xff0c;旷视科技将channel shuffle这个操作视为一个函数&#xff0c;函数传入的参数是输入张量x&#xff0c;x的shape为(batchsize, num_ch…
阅读更多...
[ComfyUI]Flux：完美平衡！更适合F1反推模型！30秒速率1G低显存CLIP和T5双通道提示反推和标注皆可用

[ComfyUI]Flux：完美平衡！更适合F1反推模型！30秒速率1G低显存CLIP和T5双通道提示反推和标注皆可用

大家好我是安琪&#xff01;&#xff01;&#xff01; 在数字艺术领域&#xff0c;AI绘画技术已经逐渐成为艺术创作的新趋势。现在&#xff0c;ComfyUI的Flux功能结合F1反推模型&#xff0c;为用户提供了完美的平衡&#xff0c;让你在创作中更加得心应手。 Florence2PromptGen…
阅读更多...
国庆出行新宠：南卡Pro5骨传导耳机，让旅途不再孤单

国庆出行新宠：南卡Pro5骨传导耳机，让旅途不再孤单

国庆长假即将来临&#xff0c;对于热爱旅行和户外运动的朋友们来说&#xff0c;一款适合旅行使用的耳机无疑是提升旅途体验的神器。今天&#xff0c;我要向大家推荐一款特别适合国庆出行的耳机——南卡Runner Pro5骨传导耳机。作为一名热爱旅游的体验者&#xff0c;我强烈推荐南…
阅读更多...
docker：docker-compose容器编排

docker：docker-compose容器编排

docker-compose容器编排 安装docker-compose 下载链接&#xff1a;https://github.com/docker/compose/releases/下载这个版本 [rootc1-10-66 ~]# ls anaconda-ks.cfg docker-compose-linux-x86_64_2 gpu-burn## 改个名字 [rootc1-10-66 ~]# mv docker-compose-linux-x86…
阅读更多...
C++标准库类——string类

C++标准库类——string类

引言 在c中&#xff0c;string类的引用极大地简化了字符串的操作和管理&#xff0c;相比 C 风格字符串&#xff08;char*或cahr[]&#xff09;&#xff0c;std::string 提供了更高效和更安全的字符串操作。接下来让我们一起来深入学习string类吧&#xff01; 1.string 的构造…
阅读更多...
blender设置背景图怎么添加？blender云渲染选择

blender设置背景图怎么添加？blender云渲染选择

Blender是一款功能强大的3D建模软件&#xff0c;它以流畅的操作体验和直观的用户界面而闻名。使用Blender&#xff0c;你可以轻松地为你的3D模型添加背景图片。 以下是具体的操作步骤&#xff1a; 1、启动Blender&#xff1a;首先&#xff0c;打开Blender软件。访问添加菜单&a…
阅读更多...
Ansible流程控制-条件_循环_错误处理_包含导入_块异常处理

Ansible流程控制-条件_循环_错误处理_包含导入_块异常处理

文章目录 Ansible流程控制介绍1. 条件判断2. 循环3. 循环控制4. 错误处理5. 包含和导入6. 块和异常处理7. 角色的流程控制*include_tasks、import_tasks_include之间的区别 条件语句再细说且、或、非、是模糊条件when指令的详细使用方法 循环语句再细说如何使用使用item变量结合…
阅读更多...
Protobuf：基本概念与使用流程

Protobuf：基本概念与使用流程

Protobuf&#xff1a;基本概念与使用流程 基本概念Linux 安装使用流程.proto文件编译使用 运行机制 基本概念 在进行网络编程时&#xff0c;经常需要进行数据传输&#xff0c;只有双方主机都保证数据格式的一致性&#xff0c;才能保证数据被正常解析。这个过程称为序列化与反序…
阅读更多...
肺结节检测-目标检测数据集（包括VOC格式、YOLO格式）

肺结节检测-目标检测数据集（包括VOC格式、YOLO格式）

肺结节检测-目标检测数据集&#xff08;包括VOC格式、YOLO格式&#xff09; 数据集&#xff1a; 链接&#xff1a;https://pan.baidu.com/s/1hz3Y6WgWoS3Gubsw_83WnA?pwdaon1 提取码&#xff1a;aon1 数据集信息介绍&#xff1a; 共有 1180 张图像和一一对应的标注文件 标注…
阅读更多...
【**倒计时，人工智能的ASI时代几年内将至-samaltman深夜发文预言**】

【**倒计时，人工智能的ASI时代几年内将至-samaltman深夜发文预言**】

在未来的几十年里&#xff0c;我们将能够做到我们的祖辈认为像魔术一样的事情。 这是Sama Ltman博文的第一句话。技术进步加速&#xff1a;随着时间的推移&#xff0c;人类的能力显著提高&#xff0c;我们能够完成前人认为不可能的事情。他认为&#xff1a; 我们的能力增强不…
阅读更多...
最新文章

Copyright @ 2022~2023