3121
比昨天简单，一个数组就行，都不用哈希表
这个数组专门统计小写字母是否出现，出现时就打1
遇到小写字母时，先看对应位置上是不是0，如果是0就打为1，否则直接过
遇到大写字母时，看对应位置上是不是1，如果是1，就改写为2，并计数++，否则直接过
class Solution {
public:
int numberOfSpecialChars(string word) {
vector<int>flag(26,0);
int res=0;
for(int i=0;i<word.size();i++){
if(word[i]>='a'&&word[i]<='z'){
if(flag[word[i]-'a']==0){
flag[word[i]-'a']=1;
}
else if(flag[word[i]-'a']==2){
res--;
flag[word[i]-'a']=3;
}
continue;
}
if(word[i]>='A'&&word[i]<='Z'){
if(flag[word[i]-'A']==1){
flag[word[i]-'A']=2;
res++;
}
else if(flag[word[i]-'A']==0){
flag[word[i]-'A']=-1;
}
continue;
}
}
return res;
}
};看漏了，应该是所有小写字母都要出现在大写字母之前
发现这个题本质是个状态机，或者说我现在想的，就是状态机的想法，1234就是对应的状态
2569
这个相当于是要维护两个线段树，对nums1要维护一个，然后对nums2也是
对nums1就是维护加和就行，lazy标识最后是否反转
对nums2，是要查询一次nums1的所有区间和，然后每个其中的元素都要加上nums1*p
那也就是说nums2一开始算一下自己的和，之后每次op2，都是在原来的基础上加一个查询结果*长度即可
nums2就直接返回行了
就一个线段树，简单
LLM
就是说原来的输入，通过分词拆成一个一个的token，这里直接就变成数字了吗？如果是的话，那由原来各种各样的输入（比如包含中文、英文、数字以及各类特殊字符）是怎么知道要变成怎样的数字？以及对于不同的请求，相同的输入所变成的数字是否一样？然后再对每个token进行一个嵌入，即embedding，这里嵌入是在做什么？因为之前以为是在嵌入时才会把各类输入变成数字，那如果在Tokenize时就已经做了，那这里嵌入是要做什么？看上面的例子是变成了[vec_hello]，这个是什么意思？然后说进行了一次公式计算，得到了注意力分数，这个应该就是模型内部所在做的事情，然后输出一个概率分布，这个应该就是所有可能输出的token的概率分布？还要再乘V？V是什么？为什么要再乘V？再过FFN？这又是什么？什么叫下一层Transformer?那如果说有很多层Transformer，那最后输出时，怎么知道值是多少？以及，对于每个Token，就是传入模型的输入vec_hello，是一次就经过所有的transformer层，还是所先所有的Token都经历一遍一层transformer后，再统一一起走？
那embedding层将Token ID转换成高维语义向量的这个过程，是模型负责的，还是推理框架负责的？以及对于相同的Token Id，看意思是说可能会转换出不同的语义向量吗？
我现在知道了原始输入经过tokenizer变成token Id,再经过embedding变成语义向量，之后就是直接和WQ,WK,WV做运算得到注意力，最后得到一个输出后，再乘一个WV是吗？然后最后再映射到实际的Token ID,再查一次表得到最后的输出；那推理框架都做了什么？
请求调度是什么意思？prompt是原始输入吗？如果说是比赛要求的单计算卡，这个Continuous Batching还能执行吗？就是这个机制是什么意思？排序prompt请求也能提高效率吗？以及说"每个 token 生成后立即判断能否插入新请求"是什么意思？难带模型还能同时处理多个输入吗，即我先问"Hello"，在等待模型返回"hello"的响应时，还能继续输入"你好"，然后模型能同时计算这两个输入的输出吗？prompt的prefill是什么意思？
"Kernel 调度：Attention、Linear、LayerNorm 等算子如何排布、是否融合"这个kernel是指什么？你说的这些算子，不是模型在负责计算的吗？推理框架负责计算吗？如果负责计算，主要是计算了什么？
在Prefill时，说一次喂入5个token。然后Transformer走完所有层，这个tanrsormer走完所有层的过程，是发生在模型里，还是发生在推理框架里？token的K和V，是在进transformer前产生但还是出来后产生的？
对于Decode，prefill不是直接把所有输入的token给到transformer吗？那模型输出不该是针对这个prompt的所有输出吗？那decode说每次只喂入一个新Token,这个新token是什么意思？来自于哪里？是模型生成的token吗？那模型生成的，不是直接所有的输出token？
既然kernel融合能减少读写显存的次数，那为什么不直接针对每个可能的请求，预制好所有的计算路径，然后把他们打包进一个kernel当中？
意思就是说prefill根据prompt的所有token，调用一次模型计算出一个logits，即所有输出的可能概率后，经过采样（这里采样不就是选logits里的最大值吗？还有别的方法吗？）从logits中选出一个token作为decode阶段的输入；之后decode先是根据prefill产生的第一个token，调用模型计算出返回时衔接在它后面的下一个token，之后就是不断以decode刚产生的那个token作为输出，不断调用模型来进行计算，产生输出token；比如输入prompt有100个token，输出假设有50个token，在prefill时，先是根据输入prompt的100个token，产生输出的第一个token，这里调用了1次模型计算，之后decode就是依据prefill产生的第一个Token，不断调用模型，调用49次模型，产生后续输出的剩余49个Token，对吗？
2589
看样子是要寻找所有的区间，最终能重叠到多短
这样，对每个区间，处理思路都是先看是否有和别的区间重合的部分，如果存在，那就是优先填满那些重合最多的部分，直到自己的任务时间处理完；这里在填补的时候，也要同步修改重叠的那些任务
这样的话数据结构可能会很复杂
如果直接搜索答案，二分验证？验证感觉也不是很好验证，怎么做？
思路是什么？
针对每个时间做标记
贪心策略：将所有任务按着开始时间从小到大去排序
然后去数自己所在的那个区间里有多少个时间是工作的，如果满足了自己的要求，就直接过
否则自后向前标记时间为工作的
错误，不是按照任务开始时间去排序，而是按照任务结束时间去排序
否则
在这个操作当中，要频繁地去查询开始和结束区间里t[i]为true的数量
以及当cnt不够时，与duration的差值，要从最后去更新t[i]
如果说是维护一个线段树的话，查询操作没问题，但是要更新时，如何实现这个从后往前更新的偏向更新？
确实是不需要懒标记的，因为每次修改，都可能是从后向前针对到点上的修改，所以就不需要懒标记；需要懒标记的是那种一下子更新、修改整个区间的
这里需要注意的就是先右递归，这样就能保证每次修改都是从最右侧开始的；以及用的是引用
线段树提升了点时间，但内存占用翻了个倍，时间提升也没那么巨大
P1352 没有上司的舞会
dp定义为选这个点时所能达到的最大快乐值
选了当前这个点后，那么它的所有孩子都不可选，可选的是孩子的孩子，又或者是孩子的孩子的孩子，即把树上奇偶点都考虑到
那么对于每个点的DP
dp[cur]=max(dp[cur的孩子的孩子],dp[cur的孩子的孩子的孩子])+r
不过对于不相邻的孩子，他们那一层应该是可以都选的？
那就是说对当前节点上的每个延申下去的分支，都对孩子的孩子，和孩子的孩子的孩子取一次Max
即dp[cur]=r[cur]
for当前的节点的所有分支
dp[cur]+=max(dp[此处分支孩子的孩子],dp[此处分支孩子的孩子的孩子])
要初始化，就从叶子节点开始，叶子节点上一层和叶子节点那层的dp值，都是自己的r
从底向上第三层后，就是先判断每个分支的孩子的孩子与孩子的孩子是否存在
那就是dp[i]表示当前节点所能取得的最大收益，存两个状态，就是选当前节点以及不选当前节点
那么dp[i][1]=sum(dp[孩子][0])+num[i]
dp[i][0]=sum(dp[孩子][1])+num[i]
对于孩子，也不一定就是一定要选，因为孙子可能值更大，比如
小小大的排序时，当前就不能要孩子而是要孙子，至于为什么不要当前这个节点，就是可能有序列
大小小大，所以父亲节点选择，当前就不能选择，但是孙子节点很大，所以也不选择孩子，而是等孙子
所以dp[i][0,1]的设计就能包括各种排序序列
那就是先建树，然后后序遍历，如果是叶子节点
就是保存自己的孩子节点，如果没有的话，就说明自己是叶子节点
不过怎么知道树的根节点是哪个，以这种方式存的话？