def find(x):
    if (p[x] != x):
        p[x] = find(p[x])
    return p[x]

上面是y总的模板，实现了路径压缩。

温度超参数t，一般为softmax结果除以该参数，或者在对比学习中，相似度除以参数t。 如图： 上图为无监督simcse中的损失函数。

t越大，结果越平滑，t越小，得到的概率分布更“尖锐”。 当t趋于0时： 此时只关注最困难的负样本（smax）。 当t趋于∞时： 此时对比损失对所有负样本的权重都相同。

leetcode地址：953. 验证外星语词典 - 力扣（LeetCode）

简单方法

python列表之间也可以进行比较（太灵活了），比如[1, 2, 3] < [2, 2, 3]成立，即按照字典序进行比较，与其是一样的比较规则。因此对于本题可以利用python的特性轻松解决。 好久没写python了，变得很生疏，一开始写的很蠢：

L1正则化

L2正则化

权重衰减

L2正则化和权重衰减的区别

L2正则化是在损失函数上做文章。 权重衰减是在梯度更新时增加一项。

pre-norm

Pre-norm:\(X_t+1=X_{t}+F_{t}(Norm(X_{t}))\)

\(先来看Pre-norm^{+},递归展开：\) \[X_{t+1}=X_t+F_t(Norm(X_t))\] \(=X_{0}+F_{1}(Norm(X_{1}))+\ldots+F_{t-1}(Norm(X_{t-1}))+F_{t}(Norm(X_{t}))\) 其中，展开\(^{+}\)后的每一项( \(F_{1}( Norm( X_{1}) ) , \ldots\), \(F_{t- 1}( Norm( X_{t- 1}) )\), \(F_{t}( Norm( X_{t}) )\))之间都是同一量级的， 所以\(F_1(Norm(X_1))+\ldots F_{t-1}(Norm(X_{t-1}))+F_t(Norm(X_t))\)和 \(F_1(Norm(X_1))+\ldots F_{t-1}(Norm(X_{t-1}))\)之间的区别就像t和t-1的区别一样，我们可以将 其记为\(X_t+ 1= \mathscr{O} ( t+ 1)\) . 这种特性就导致当t足够大的时候，\(X_{t+1}\)和\(X_t\)之间区别可以忽略不计（直觉上），那么就有：

在机器学习中，hinge loss是一种损失函数，它通常用于”maximum-margin”的分类任务中，如支持向量机。数学表达式为：

其中 \(\hat{y}\) 表示预测输出，通常都是软结果（就是说输出不是0，1这种，可能是0.87。）， \(y\) 表示正确的类别。 - 如果 \(\hat{y}y<1\) ，则损失为： \(1-\hat{y}y\) - 如果\(\hat{y}y>1\) ，则损失为：0

前几天试着投了简历，没想到有两家约了面试，一个是得物一个是北京百分点，得物面试没有怎么准备，太仓促了，二面挂了，百分点拿到了offer，但决定考研了就没去，记录一下面试的问题。岗位是nlp算法岗。