沒做，從網(wǎng)上看了下題面，感覺很有意思以及t1是假題吧，最優(yōu)區(qū)間覆蓋不是np hard嗎？這里貼一下T3的題解：【前置知識：經(jīng)典區(qū)間調(diào)度問題】首先第一眼過去似乎是個比較典的區(qū)間調(diào)度，按照右端點排序后貪心，但顯然這個做法可以被輕易hack掉——它無法滿足占有ip最少。n=1000，那么考慮n2做法：vector  res;對所有區(qū)間按照右端點升序排序；work[i].id表示業(yè)務id，work[i].num第i個業(yè)務要占有多少ip；第一層循環(huán)i：1-n第二層循環(huán)表示自此開始進行普通區(qū)間調(diào)度貪心選?。ò从叶它c）。舉個例子：i=1的時候，能完成10個業(yè)務，占用20個ip；i=2的時候，能完成10個業(yè)務，占用18個ip；i=3的時候只能完成9個業(yè)務，那么再往后能完成的業(yè)務數(shù)量肯定會越來越少。我們此時應該選取i=2對應的區(qū)間，將其加入到答案中，res.push_back(work[2].id)；選取完2之后，i=3和2沖突，跳過；i=4的時候，能完成8個業(yè)務，占用14個ip；i=5的時候，能完成8個業(yè)務，占用17個ip；i=6的時候，能完成7個業(yè)務；那么把i=4加入到答案中?！源祟愅?。注意，若業(yè)務完成數(shù)量和占用ip數(shù)量都相等，需要比較一下左端點。所以實際上只需要在經(jīng)典區(qū)間調(diào)度外面加一層枚舉起點即可。end若有錯誤歡迎指正題面已經(jīng)附圖#華為機試# #實習# #華為#

上班會隨機掉落其他正職的投喂~上周還喝到了cici姐投喂的奶茶，是的！沒錯！cici姐的?。▼寢?，這次我真的出息了?。??）清明節(jié)由于攻略的失策，三天走了北京10個景點，結果工作日的時候腿疼到?jīng)]辦法走路，我哭??????周一和cici姐請了假，害怕被cici姐說教不許請假，但是沒想到意外的順利，還關心我讓我好好休息??周二來上班的時候，cici姐到工位第一句就是關心我的身體~太感動了??！家人們誰懂啊！以前都是我誤會了cici姐，cici姐人的太好了，面冷心善罷了??????你們怎么知道我的mentor對我這么好??????哈哈哈哈

翻遍各種大模型的實現(xiàn)，雖然結構上可能保留了 dropout 的實現(xiàn)，但是采樣概率都設置為 0 了。唯一一個比較新的，還用 Dropout 的模型是 Meta 訓練的 Galactica 模型。那為什么現(xiàn)在不用了呢？核心還是要弄清楚 Dropout 的使用場景。Dropout 之前在深度學習當中是一個特別好用的方法，可以防止過擬合，提高泛化。所以說，當模型較大，數(shù)據(jù)較少的時候，使用 Dropout 是比較合適的。現(xiàn)在大模型處在什么狀態(tài)呢？?預訓練在預訓練階段，目前可能還是處于欠擬合的狀態(tài)。之所以說可能，是基于目前公開的一些論文的出的結論。但是現(xiàn)在閉源的公司在采用大量數(shù)據(jù)合成的情況下，已經(jīng)訓練足夠充分或者接近充分也說不定。以 llama 一系列論文為例，訓練 llama 1 的時候，龍貓 Scaling law 里面提到 GPT3 是一個訓練很不充分的模型。然后給出的數(shù)據(jù)配比的建議是，10B 的模型要采用 200B 的 token 來訓練。但是 llama 1 采用了 7B 的模型，訓練量 1T 的 token 發(fā)現(xiàn)性能依然有提升。而且預訓練所有的語料一般只過一個 epoch，某些特定的領域可能過 2個 epoch，可以認為樣本的重復率很低。所以，在數(shù)據(jù)足夠多，多樣性足夠而且沒有太多重復的情況下，大模型在預訓練階段仍然沒有過擬合的風險。也就完全不需要采用 dropout。?Dropout 就完全不需要了么？如果上面的條件不能滿足，Dropout 還是有用武之地的。比如前面提到的 Galactica 模型。這個模型和其他大模型不太一樣的地方是訓練了 4.25 個 epoch，因為他們認為高質(zhì)量的數(shù)據(jù)更重要一些，但是又沒有那么多，所以就 repeat 數(shù)據(jù)了。在論文《To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis》 中，詳細列舉了數(shù)據(jù) Repeat 對訓練 LLM 的影響，并且證明了 Dropout 可以緩解數(shù)據(jù)重復帶來的性能損失。在文章《Can LLMs learn from a single example?》中，也提到了在 SFT 的時候，少量的重復數(shù)據(jù)就會降低模型的性能。這也符合常理，SFT 的數(shù)據(jù)分布和預訓練的通常是不太一樣的，重復的數(shù)據(jù)會讓模型擬合新的分布，從而忘掉舊的分布。文中同樣也提到 Dropout 可以緩解數(shù)據(jù)重復帶來的影響。所以 Dropout 在數(shù)據(jù)量較少，多樣性不高，需要 repeat 的場景下，依然是一個減少過擬合的很方便的手段。比如現(xiàn)在已經(jīng)有一些在 LoRA 微調(diào)的時候采用 Dropout 的研究了。

給大家梳理下京東和美團的??，昨天早上8:30，京東黑板報發(fā)布了一篇文章，點名競對平臺"二選一"，并宣布超時20分鐘全額退款，加大全職騎手招聘力度等措施。 隨后網(wǎng)上流傳了一張對這個長圖的注釋圖，感覺像是某業(yè)內(nèi)人士對這封信的一個回應，每一點都指出了對應漏洞和反駁點，圖我放在了P2,大家可以理性吃瓜，最近的外賣行業(yè)是真熱鬧，不過對消費者倒是好事。