目录
AI大模型技术的火爆，让AI视频赛道也变得热闹。以往让很多人觉得视频制作领域是一个很难跨越的障碍，AI大模型的兴起之后，同时也带动了AI视频技术的革新，不少厂商纷纷加入AI视频的争夺，毕竟短视频经历了多年的沉淀之后，已经成为大多数日常生活中不可或缺的一部分，本文以国产大模型之光的通义万相为例进行详细的说明。
AI视频 是指利用人工智能（AI）技术生成、编辑、增强或分析视频内容的过程和结果。通过AI技术，视频制作、处理和优化的效率得到了显著提升，同时也为创意表达和内容创作带来了更多可能性。AI视频的核心在于利用机器学习、计算机视觉、自然语言处理等技术，自动化或智能化地完成视频相关的任务。
【数据结构】二叉树初阶——超详解！！！（包含二叉树的实现） * 前言 * 一、树是什么？ * 1. 树的定义 * 2. 一些常见术语 * 二、二叉树 * 1. 二叉树是什么 ？ * 2. 二叉树的组成 * 2. 特殊的二叉树 * 3. 二叉树的顺序存储（完全二叉树） * 4. 二叉树的一些性质 * 三、二叉树的实现（重点！！！） * 1. 二叉树的链式存储（非完全二叉树） * 2. 实现思路 * 3. 代码实现 * （1）创建头文件&源文件 * （2）定义二叉树（定义） * （3）构建二叉树 * （4）二叉树遍历（前中后序） * （5）二叉树的层序遍历 * （6）二叉树节点个数的计算
前言： 在上一篇博客中，我们深入了解了堆的基础概念并完成了堆结构的具体实现。本篇将继续探讨堆在实际应用中的使用场景，重点分析两个核心应用：高效的堆排序算法和解决TopK问题的巧妙方法。 一、建堆 建堆算法是将无序数组转化为符合“堆规则”的完全二叉树（逻辑结构）的核心方法，是堆排序、Top K等所有堆应用的基础，相比于通过数据结构中堆的插入建堆，需要额外O(N)的空间复杂度，基于数组原地实现建堆，仅需要O(1)的空间复杂度。 1.1向上调整算法的回顾 场景实例：假设现在存在一个小堆，要向堆中插入一个元素，并维持堆的结构。 核心逻辑： 新元素插入堆尾后，它的父节点可能比新插入子节点小 —— 让新元素“ 上浮 ”，与父节点交换，直到它比父节点小，或浮到根节点（堆顶）。 简而言之，对于向上调整算法的核心思维就是：当子节点可能比父节点 “更合适”时，需要让子节点往上浮，找到合适
文章目录 * 题目链接 * 题目描述 * 解题思路 * 题解代码 * 复杂度分析 题目链接 https://leetcode.cn/problems/swap-nodes-in-pairs/ 题目描述 给定一个链表，两两交换其中相邻的节点，并返回交换后的链表。 不能修改节点内部的值（即只能实际交换节点）。 解题思路 * 使用哑节点 dummy 简化头结点被交换的处理。 * 维护四个指针： * node0：当前待交换对的前驱节点（初始为 dummy） * node1：当前对的第一个节点 * node2：当前对的第二个节点 * node3：下一对的起始节点（node2 的后继） * 交换步骤（重连指针）： * node0.next = node2 * node2.next = node1 * node1.next = node3 * 然后将 node0 移到 node1，
视频讲解链接：8.calculating-loss-in-grpo.zh_en_哔哩哔哩_bilibili 论文：《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》 一、GRPO 损失函数 二、GRPO 算法可以分解为四个关键组成部分： （1）策略损失（policy loss）：模型在有适配器和没有适配器情况下的词元概率分布比率 （2）从奖励函数中计算出来的优势值（advantages） （3）比率裁剪（clip）：用于确保在任何单独步骤中都没有大的损失值 （4）KL散度：用于确保在训练过程中，我们正在训练的模型不会偏离它已经知道的基准模型太多 下面我们对每个部分逐一介绍。 1. 首先加载所需的模型和分词器，并打印模型的网络结构和生成文本的效果。 from transformers import AutoModelForCausalLM, AutoTokenizer # 初始化 model