30 ngày chống COVID cùng Leetcode | Ngày 02

-
Tôi vừa debug xong một bài tập mất 15 tiếng, khá tốn thời gian, cảm thấy tiếc vô cùng, và sau khi tìm mọi cách để "mì ăn liền" trên stackoverflow không được, cuối cùng, tôi phải tự đọc console lỗi và debug bằng cách thử từng bước 1, mệt thật, nhưng không sao, cũng đúng giờ Leetcode vừa ra bài tập cho ngày thứ 2, không đúng giờ để làm nhưng thôi coi như một ngoại lệ, bắt đầu nào.


Đề bài làm tôi nhớ đến một kiến thức cũ thú vị, ban đầu đọc đề, ta có thể nghĩ đến dùng một Từ điển để lưu lại các giá trị đã xuất hiện, nếu nó xuất hiện lần nữa thì không phải Happy Number. Cách đó với Java có thể mất O(k). Tuyệt vời.

Nhưng có thể tuyệt hơn thế không ? 

Trong quyển sách Data Structures and Algorithms made easy của Narasimha Karumanchi có đề cập đến một giải pháp rất hay để tìm được điểm lặp của một liên kết vô định.


Tức là, nếu có hai biến chạy, một biến chạy chậm, một biến chạy nhanh gấp đôi biến kia, thì ta luôn sẽ tìm thấy một thời điểm hai biến chạy này gặp lại nhau nếu nó ở trong một vòng lặp vô hạn. 

Bạn có thể đọc thêm về Floy Cycle tại đây.

Vậy là Apcept trên Leetcode, một bài toán không quá khó, làm tôi có động lực đọc tiếp cuốn sách của Narasimha.

Hẹn gặp bạn ở những bài viết sau, cảm ơn !

Nhận xét

Đăng nhận xét

Bài đăng phổ biến từ blog này

Hiểu về Norm Regularization

-
Hình ảnh
 Overfitting là một hiện tượng xảy ra khi mô hình học máy phù hợp với tập dữ liệu kiểm tra mà không phù hợp với tập thực tế, nó thường xảy ra ở các mô hình phức tạp (complex models), như deep neural networks. Regularisation là một quá trình để ngăn chặn họăc giảm thiều overfitting. Ở đây, chúng ta tập trung vào hai chuẩn là L1 và L2 regularisation. Đã có khá nhiều giải thích trên mạng, nhưng thành thật mà nói có vẻ khi bạn đọc bài viết này thì những bài viết đó đã quá khó hiểu với bạn, vì thế, bài viết này, chúng ta cùng tìm hiểu rõ tại sao chuẩn L1 và L2 lại được dùng để tránh hiện tượng overfitting bằng cách mô tả lại quá trình Gradient Denscent, tối ưu hàm loss của model. Bắt đầu nào. 0. L1, L2 là gì ? L1, L2 regularisation hay còn được gọi là L1, L2 norm của vector w, dưới đây là công thức: 1-norm (L1 norm) 2-norm (L2 norm hoặc Euclidean norm) .Trong hồi quy tuyến tính (linear regression), kèm với L1 còn được gọi là lasso regression, kèm L2 được gọi là ridge regression, (mình ...
Read more »

Faceswap & state-of-the-art (SOTA)

-
Hình ảnh
This post is pending Intro: faceswap & deepfake Face swap refers to an activity in which a person's face is swapped with the face of another person. Deepface = deeplearning + fake. Deepfake is an advanced technology, but 96% ò Deepfakes videos have triolous content. Deepfake also targets political purposes, fraud and market manipulation. Traditional swap face - using opencv-dlib Facial landmark Detection Facial landmarks are used to localize and represent salient regions of the face. The pre-trained facial landmark detector inside the dlib library is used to estimate the location of 68(x,y)-coordinates that map to facial structures on the face. Each frame of the animation shows a Delaunay trianulation of the four points. Halfway through, the trianglulating edge flips showing that the Delaunay trianglulation maximizes the minimum angle, not the edge-length of the triangles. The final steps of face alignment to to consider corresponding triangles between the source fac...
Read more »