ZJUGuoShuai

#include <list>
#include <unordered_map>
#include <utility>

using namespace std;

class LRUCache {
  size_t capacity;
  list<pair<int, int>> dlist;
  

ZJUGuoShuai

struct HumanReadable
{
    std::uintmax_t size{};
 
private:
    friend std::ostream& operator<<(std::ostream& os, HumanReadable hr)
    {
        int o{};
        double mantissa = hr.size;
        for (; mantissa >= 1024.; mantissa /= 1024., ++o);

ZJUGuoShuai

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <zlib.h>

#define BUFFER_SIZE 100

int main() {
    float buffer[BUFFER_SIZE];  // Assuming you have a buffer of 100 floats
    // Fill the buffer with some data (for demonstration purposes)

ZJUGuoShuai

使用 make_string() 或 make_string_delim() 将对象格式化为字符串（加分隔符）再拼接起来，类似 Python 里的 str.join()：

/**
 * @brief Prints args to a string, without any delimiter
 */
template <typename... Args>
std::string make_string(const Args &... args) {
  std::stringstream ss;
  print(ss, args...);
 return ss.str();

ZJUGuoShuai

ZJUGuoShuai

/**
 * @file main.cpp
 * @brief 演示如何在 C++ 中将数据传递给 Python，然后在 Python 中用 NumPy 进行计算，最后将结果返回给
 * C++。
 * @author Guo Shuai (gs0801@foxmail.com)
 */
#include <pybind11/pybind11.h>
#include <pybind11/embed.h>
#include <pybind11/numpy.h>

ZJUGuoShuai

使用 Batch Normalization 实现 Layer Normalization

Batch Normalization 和 Layer Normalization 是深度学习中常用的两种归一化方法，都可以用以下公式表示：

$$ y = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta $$

其主要区别就在于 $\mathrm{E}[x]$ 和 $\mathrm{Var}[x]$ 是怎么计算的。

ZJUGuoShuai

import torch
import torch.nn.functional as F

def matrix_mul_conv2d(A, B):
    """
    A: [M, K]
    B: [K, N]
    返回: [M, N]
    """
    # 1. 重塑输入矩阵 A