基础篇--概念原理-25-大模型的剪枝是什么？怎么理解？——从原理到实战，一篇讲透

weisian1512026-06-11 8:07

大模型的剪枝是什么？怎么理解？------从原理到实战，一篇讲透

作者 ：Weisian

发布时间：2026年4月

直击痛点：

"面试官：'大模型剪枝是什么？'你：'就是删掉不重要的参数......'面试官：'那结构化剪枝和非结构化剪枝有什么区别？怎么判断哪些参数不重要？'你：'呃......这个......'------这就是剪枝理解不深的'死亡问答'：看似简单的概念，却能暴露你对模型压缩底层原理的认知盲区。"

在大模型落地场景里，剪枝是轻量化三剑客（剪枝、量化、蒸馏）里最容易被误解的技术：

  • 算法新手：以为剪枝=随便删参数，结果模型直接失效；
  • 后端工程师：分不清结构化/非结构化剪枝，部署后GPU利用率不升反降；
  • 算法工程师：不懂剪枝后微调策略，精度断崖式下跌；
  • 面试者：背了概念却讲不清适用场景，卡在技术深度环节。

解决方案：从原理、分类、效果、代码实战到工程选型，用生活化类比+可运行Ollama代码，一次性讲透大模型剪枝全知识点。

📌 核心一句话 ：

模型剪枝是一种"删繁就简"的技术，通过识别并移除神经网络中"不重要"的参数（权重、神经元、甚至整个层），在尽量不损失模型精度的前提下，大幅减小模型体积、加快推理速度。它不是"粗暴裁员"，而是"精兵简政"。
📌 面试金句先记牢：

  • 剪枝本质：神经网络中存在大量"冗余参数"（60%以上的连接权重接近0），剪掉它们模型照样工作；通过规则删除模型冗余参数，实现轻量化、提速、降显存，是大模型部署必备手段；
  • 核心目标：更小体积、更快推理、更低显存，精度尽量无损；
  • 结构化 vs 非结构化：结构化剪枝像"砍掉整个部门"，硬件友好但压缩率有限；非结构化剪枝像"精确裁员到个人"，压缩率高但需要专用硬件支持；
  • 三大阶段：训练前剪枝、训练中剪枝、训练后剪枝（主流）；
  • 关键指标：稀疏率、精度保留率、推理加速比、显存降低率；
  • 和量化区别：剪枝是"删参数"，量化是"压缩参数精度"，可叠加使用；
  • 和蒸馏区别：剪枝是"精简自身"，蒸馏是"向大模型学知识"，常配合使用；
  • 适用场景：端侧部署、低显存设备、高并发服务、嵌入式设备；
  • 核心流程：训练→评估重要性→剪枝→微调恢复→（可选）迭代重复；
  • 压缩效果：可减少30%-90%参数，推理加速2-4倍，精度损失控制在1%-3%；
  • 工程原则：优先结构化剪枝，稀疏率控制在30%-50%，剪后必微调；
  • 技术本质：大模型参数高度冗余，剪枝是去除冗余，保留核心表达能力。

一、剪枝到底是什么？

1.1 一句话概括

模型剪枝 = 给AI模型做"精准外科手术"

在不影响"智力水平"的前提下，精准删掉模型里没用、重复、冗余的参数，把模型里"不干活光吃饭"的冗余参数切除掉，让模型变得更轻、更快、更省资源。

1.2 通俗类比：图书馆精简藏书

  • 完整大模型 = 一座超大图书馆，100万本书，但80%是重复、冷门、没人看的书；
  • 模型参数 = 馆里的每一本书；
  • 剪枝 = 图书管理员筛选，扔掉重复、无用、极少借阅的书；
  • 剪枝后模型 = 保留核心好书，书架变少、占地更小、找书更快；
  • 精度损失 = 扔掉了少量有用书，导致偶尔查不到资料。

为什么能剪？

大模型参数天然高度冗余，Transformer里大量神经元、注意力头几乎不参与决策，删掉完全不影响输出。

1.3 为什么要剪枝？------大模型的"肥胖危机"

痛点 大模型的问题 剪枝后的解决
体积臃肿 GPT-3 175B参数，光存储就要700GB 可压缩到原来的10%-30%
推理缓慢 生成一个字要等好几秒 速度提升2-4倍
显存爆炸 8张A100才勉强跑起来 1张卡就够了
能耗惊人 一次推理的电费够手机充一年 能耗降低70%+

关键发现 ：神经网络中60%以上的连接权重接近0------这些"趋近于0"的参数对模型输出的贡献微乎其微，就像公司里那些"打卡不干活"的员工。剪掉它们，模型几乎感觉不到变化。

1.4 剪枝的完整流程

复制代码 
原始大模型（7B/14B/72B）
     ↓
分析参数重要性（权重大小、梯度、激活值）
     ↓
按规则删除冗余参数（结构化/非结构化）
     ↓
剪枝后稀疏模型
     ↓
微调恢复精度（关键步骤）
     ↓
部署推理（更快、更省显存）

1.5 剪枝不是什么？（避坑必看）

  • ❌ 不是随便乱删参数，删错会直接导致模型乱输出、不收敛；
  • ❌ 不是越剪越好，稀疏率过高精度会雪崩；
  • ❌ 不是只减体积，非结构化剪枝可能不提速甚至更慢；
  • ❌ 不是替代量化，两者是互补关系，可同时使用。

二、为什么要剪枝？四大真实业务价值

2.1 降显存占用（最核心价值）

  • 7B模型原始显存占用≈13GB；
  • 剪枝50%后≈7GB；
  • 配合4bit量化可压到3-4GB，普通消费级显卡直接跑。

2.2 推理加速

结构化剪枝可真正减少计算量，推理速度提升1.2x~2x，高并发场景延迟大幅降低。

2.3 端侧/嵌入式部署

手机、机器人、边缘设备显存有限，不剪枝根本跑不起来。

2.4 降低服务成本

云服务GPU按显存/算力收费，剪枝后可换更低配GPU，成本降30%-70%。

类比：汽车减重

  • 完整模型 = 满载钢材、备用件的重型车，油耗高、跑得慢；
  • 剪枝 = 拆掉非必要配重，保留核心结构；
  • 结果：车更轻、加速更快、油耗更低。

三、剪枝的核心原理------怎么判断"谁不重要"？

3.1 核心洞察：神经网络是"稀疏"的

训练好的神经网络有一个重要特性：大量的权重值非常接近于0。

复制代码 
训练完成后的权重分布：
┌────────────────────────────────────────┐
│  ████████████  权重 ≈ 0.8-1.0  (重要)   │  ← 20%的参数
│  ████          权重 ≈ 0.3-0.8  (一般)   │  ← 15%的参数  
│  ░░░░░░░░░░░░  权重 ≈ 0-0.3    (不重要) │  ← 65%的参数
└────────────────────────────────────────┘

生活类比：

就像一支篮球队。核心球员（重要权重）贡献了80%的得分，角色球员（一般权重）贡献15%，板凳末端的球员（不重要权重）几乎不上场。剪枝就是把板凳末端裁掉，球队实力几乎不受影响。

3.2 重要性评估的三种主流方法

这是面试高频考点：怎么判断一个参数重不重要？

方法 原理 公式/做法 特点
基于幅度 权重绝对值越小越不重要 按|w|排序，剪掉最小的 简单高效，最常用
基于梯度 梯度小的参数对损失影响小 计算梯度×权重 更精准，计算量大
基于泰勒展开 移除参数对损失函数的理论影响 近似二阶导数 理论最优，实现复杂

简单理解：

  • 幅度法：就像用"工资高低"判断员工价值------工资低的可能不重要（但也可能被低估）。
  • 梯度法：就像用"工作变动对公司的影响"判断------换了谁公司最没感觉，谁就可替代。
  • 泰勒法：就像用"精确数学模型"计算每个员工的"理论价值"------最精确但也最复杂。

3.3 剪枝的五步法

无论哪种剪枝方法，核心流程都是这五步：

复制代码 
Step 1: 训练原始模型（或使用预训练模型）
    ↓
Step 2: 评估重要性 → 给每个参数/神经元打分
    ↓
Step 3: 执行剪枝 → 移除低分参数
    ↓
Step 4: 微调恢复 → 用少量数据训练恢复精度
    ↓
Step 5: 迭代优化 → 重复2-4步，直到达到目标
python 复制代码 
# 伪代码：剪枝的核心流程
def prune_model(model, sparsity_ratio=0.3):
    """
    sparsity_ratio: 要剪掉多少比例的参数（30%表示剪掉30%）
    """
    # Step 1: 评估重要性（基于权重幅度）
    importance_scores = {}
    for name, param in model.named_parameters():
        if 'weight' in name:  # 只剪权重矩阵
            importance_scores[name] = param.abs().flatten()
    
    # Step 2: 计算全局阈值
    all_scores = torch.cat([scores for scores in importance_scores.values()])
    threshold = torch.quantile(all_scores, sparsity_ratio)  # 第30%分位数
    
    # Step 3: 执行剪枝（低于阈值的置为0）
    for name, param in model.named_parameters():
        if name in importance_scores:
            mask = (param.abs() > threshold).float()
            param.data = param.data * mask  # 剪枝：置0
    
    # Step 4: 微调恢复（用少量数据训练）
    finetune(model, epochs=3, lr=1e-5)
    
    return model

四、剪枝的两大流派------结构化 vs 非结构化

这是面试最高频的考点：结构化剪枝和非结构化剪枝有什么区别？

4.1 核心对比

维度 结构化剪枝 非结构化剪枝
生活类比 砍掉整个"部门" 精确"裁员"到个人
剪枝粒度 整个通道/层/注意力头 单个权重连接
硬件友好度 ✅ 完美适配GPU/TPU ❌ 需要专用稀疏硬件
压缩率 30%-70% 70%-90%
精度恢复 需要重新训练/微调 可通过稀疏存储优化
实际部署 直接可用 需要特殊库支持

4.2 结构化剪枝（Structured Pruning）：砍掉整个部门

定义 ：删除整块结构，如整层、整个神经元、整个注意力头、整个MLP模块。

特点：

  • 删除单位大，硬件友好，推理真正提速；
  • 精度损失相对明显；
  • 稀疏规则整齐，框架/显卡天然支持；
  • 工程部署首选。

生活类比：

公司有5个部门，你发现"市场部"完全冗余，直接把这个部门整个撤掉。组织结构变清晰了，管理成本降低了。

优点：

  • 硬件友好：移除后网络结构规整，GPU能高效并行计算
  • 直接加速：不需要特殊库支持，推理速度明显提升

缺点：

  • 压缩率有限：通常不超过70%，因为不能"砍太多部门"
  • 精度损失可能更大：一次性移除整组参数

常见结构剪枝对象：

  • 注意力头（Attention Head）
  • MLP中间神经元
  • Transformer层
  • 词嵌入维度
  • 注意力矩阵行/列

代码示例（PyTorch结构化剪枝）：

python 复制代码 
import torch.nn.utils.prune as prune

def structured_pruning_example():
    """结构化剪枝：剪掉整个通道"""
    import torch
    import torch.nn as nn
    
    # 假设有一个卷积层，输入16通道，输出32通道
    conv = nn.Conv2d(16, 32, kernel_size=3)
    
    # 结构化剪枝：剪掉30%的输出通道
    # dim=0 表示在输出通道维度上剪枝
    prune.ln_structured(
        conv, 
        name="weight", 
        amount=0.3,      # 剪掉30%
        n=2,             # L2范数
        dim=0            # 按输出通道剪枝
    )
    
    # 移除剪枝掩码，永久生效
    prune.remove(conv, 'weight')
    
    print(f"剪枝后权重形状: {conv.weight.shape}")
    # 输出: 剪枝后权重形状: torch.Size([22, 16, 3, 3])
    # 原来32个输出通道 → 剩下约22个（32*0.7≈22）

structured_pruning_example()

4.3 非结构化剪枝（Unstructured Pruning）：精确裁员到个人

原理：逐个权重判断，把绝对值小的权重直接置为0，不改变网络结构。

复制代码 
原始权重矩阵：        剪枝后（稀疏矩阵）：
[0.9, 0.1, 0.8]      [0.9, 0.0, 0.8]
[0.3, 0.7, 0.2]  →   [0.0, 0.7, 0.0]
[0.5, 0.4, 0.6]      [0.5, 0.0, 0.6]
                       (约50%的权重变为0)

特点：

  • 精度保留极好，可剪50%+几乎无损；
  • 硬件不友好，推理几乎不提速；
  • 形成不规则稀疏矩阵，显卡无法优化；
  • 适合研究，不适合生产。

生活类比：

公司有100名员工，你挨个评估每个人的绩效，把绩效最低的50人裁掉。公司组织结构不变，只是人少了。

优点：

  • 压缩率极高：可达90%以上
  • 精度保持好：可以精准保留重要权重

缺点：

  • 硬件不友好：稀疏矩阵导致GPU内存访问不规则，反而可能更慢
  • 需要专用硬件：NVIDIA的A100支持细粒度稀疏，但普通GPU不行

代码示例（PyTorch非结构化剪枝）：

python 复制代码 
def unstructured_pruning_example():
    """非结构化剪枝：剪掉单个权重"""
    import torch
    import torch.nn as nn
    import torch.nn.utils.prune as prune
    
    # 创建一个简单的线性层
    linear = nn.Linear(100, 100)
    
    # 非结构化剪枝：剪掉30%的权重
    # 基于L2范数判断重要性
    prune.l1_unstructured(
        linear, 
        name="weight", 
        amount=0.3      # 剪掉30%的权重
    )
    
    # 查看剪枝效果
    print(f"原始权重非零数量: {linear.weight_orig.nelement()}")
    print(f"剪枝后非零数量: {(linear.weight > 0).sum().item()}")
    print(f"实际稀疏度: {1 - (linear.weight > 0).sum().item() / linear.weight.nelement():.1%}")

unstructured_pruning_example()

4.4 如何选择？一张决策图

复制代码 
你的部署硬件是什么？
    │
    ├── 普通GPU（RTX 3090/4090） → 结构化剪枝
    │   （不规则稀疏反而会变慢）
    │
    ├── 专用AI芯片（A100/H100） → 两种都可以
    │   （支持细粒度稀疏加速）
    │
    └── CPU/手机端 → 结构化剪枝
        （需要规整的计算图）

4.5 对比表（面试直接背）

类型 删除单位 精度 推理提速 硬件友好 生产可用
结构化剪枝 整头/整神经元/整层 一般 快 ✅ ✅
非结构化剪枝 单个参数 极好 几乎不提速 ❌ ❌

一句话总结 ：

要部署用结构化，要精度用非结构化，生产环境只推荐结构化剪枝。

五、按阶段划分：三大剪枝时机

5.1 训练后剪枝（Post-Training Pruning，主流）

  • 先训完整大模型；
  • 再分析冗余参数并删除；
  • 最后微调恢复精度；
  • 简单、稳定、工程常用。

类比：先建好完整图书馆，运营一段时间再精简藏书。

5.2 训练中剪枝（Pruning During Training）

  • 训练时逐步删除低贡献参数；
  • 节省训练算力；
  • 精度控制难度高。

5.3 训练前剪枝（Pre-Training Pruning）

  • 初始化时直接删参数；
  • 极少用，效果差。

六、怎么判断参数该不该删？四大重要性评估方法

剪枝不是瞎删，必须先算"重要性"。

6.1 权重大小法（最简单）

权重绝对值越小，越不重要，直接删。

复制代码 
重要性 = |权重值|

6.2 梯度法

梯度越小，对loss影响越小，可删。

6.3 激活值法

神经元激活值长期接近0，说明几乎不工作，可删。

6.4 注意力熵法

注意力头熵越低，越聚焦，冗余度越高，可删。

类比 ：

图书馆里常年没人借的书、借阅次数为0的书，直接清理。

七、剪枝会掉精度吗？怎么救？

7.1 一定会掉，但可控

  • 稀疏率＜30%：几乎无损
  • 稀疏率30%~50%：轻微下降，可接受
  • 稀疏率＞70%：精度雪崩

7.2 三大恢复手段

  1. 剪后微调（必做）
  2. 知识蒸馏
  3. 结构化剪枝+量化组合

类比 ：

减肥后会虚弱，通过"微调"补充营养，快速恢复状态。

八、工业界剪枝实践规范

8.1 稀疏率建议

  • 对话模型：30%~40%
  • 代码模型：20%~30%
  • 垂类领域模型：40%~50%

8.2 必做步骤

  1. 优先结构化剪枝
  2. 剪后必须微调
  3. 配合量化使用
  4. 保留10%~20%冗余度

8.3 禁止行为

  • 非结构化剪枝上生产
  • 稀疏率超过60%
  • 剪完不微调直接部署

九、剪枝 vs 其他压缩技术

很多人会把剪枝和蒸馏、量化搞混。这里用一个表格说清楚：

技术 原理 生活类比 压缩率 精度损失 适用场景
剪枝 删除不重要的参数 裁掉摸鱼员工 30%-90% 1%-3% 已有模型优化
蒸馏 大模型教小模型 学霸带学渣 60%-90% 3%-10% 重新训练新模型
量化 降低数值精度 高清→普清照片 75% 0.5%-2% 推理加速

组合使用 ：实际生产中最优方案往往是 剪枝 + 量化 或 蒸馏 + 剪枝。

  • 先剪枝再量化：剪枝减少参数量，量化减少每个参数的位数，双重瘦身

  • 先蒸馏再剪枝：蒸馏得到小模型，剪枝进一步精简，极致压缩

    原始大模型
    ↓
    剪枝（瘦身）
    ↓
    量化（压缩）
    ↓
    蒸馏（补精度）
    ↓
    极致轻量化模型

类比：

  • 剪枝 = 减肥（减掉肥肉）
  • 量化 = 穿紧身衣（压缩体积）
  • 蒸馏 = 健身（增强能力）

数据支撑 ：三者组合使用，最高可实现50倍压缩比。

十、剪枝的优缺点与适用场景

10.1 三大优势

优势 说明 数据支撑
体积缩小 参数量大幅减少，存储成本降低 可减少30%-90%参数
推理加速 计算量减少，响应更快 速度提升2-4倍
能耗降低 浮点运算减少，电费下降 能耗降低70%+

10.2 三大挑战（面试必问）

1. 精度损失风险

剪枝就像给模型做手术------切对了恢复很快，切错了可能"致残"。需要精细评估和充分微调来恢复精度。

2. 硬件适配问题

非结构化剪枝产生的不规则稀疏矩阵，在普通GPU上反而会变慢（因为内存访问不连续）。需要专用硬件（如NVIDIA A100的2:4稀疏模式）才能发挥加速效果。

3. 剪枝率与精度的trade-off

剪得越多模型越小，但精度损失也越大。实际应用中需要反复实验找到"甜点区"（通常30%-50%剪枝率是最佳平衡点）。

10.3 什么场景适合剪枝？

场景 是否适合 原因
云端推理 ✅ 非常适合 降低算力成本，提升吞吐量
移动端App ✅ 非常适合 模型体积小，用户下载意愿高
实时交互 ✅ 非常适合 低延迟是关键要求
边缘设备 ✅ 非常适合 资源受限，需要极致压缩
高精度要求（医疗/金融） ⚠️ 谨慎使用 需充分验证精度恢复效果
已有稳定模型 ✅ 非常适合 不需要重新训练，直接优化

十一、面试高频题详解

Q1：什么是模型剪枝？它的核心思想是什么？

参考答案 ：

模型剪枝是一种模型压缩技术，核心思想是移除神经网络中不重要的参数。

核心发现：训练好的神经网络中，60%以上的权重值接近0------这些参数对模型输出贡献微小，剪掉它们模型依然能正常工作。

流程：训练 → 评估重要性 → 剪枝 → 微调恢复 → 迭代优化

Q2：结构化剪枝和非结构化剪枝有什么区别？

参考答案：

维度 结构化剪枝 非结构化剪枝
粒度 整个通道/层 单个权重
硬件适配 好（规整结构） 差（需专用硬件）
压缩率 30%-70% 70%-90%
精度恢复 需重新训练 可微调恢复

生活类比：结构化剪枝像"砍掉整个部门"，非结构化剪枝像"精确裁员到个人"。

Q3：怎么判断哪些参数不重要？

参考答案 ：

三种主流方法：

  1. 基于幅度：权重绝对值越小越不重要（最常用）
  2. 基于梯度：梯度小的参数对损失影响小（更精准）
  3. 基于泰勒展开：计算移除参数对损失的理论影响（最优但复杂）

工程实践：幅度法 + 少量微调，简单有效。

Q4：剪枝后精度下降了怎么办？

参考答案：

  1. 微调（Fine-tuning）：用原始训练数据的1%-5%，训练1-5个epoch恢复精度
  2. 迭代剪枝：不要一次剪太多，每次剪一小部分，微调后再继续
  3. 重新训练：从零开始训练一个更小的网络（但成本高）

关键技巧：剪枝率控制在30%-50%，精度损失通常在1%以内，微调后几乎无损。

Q5：剪枝和蒸馏有什么区别？怎么选择？

参考答案：

维度 剪枝 蒸馏
原理 删掉不重要的参数 大模型教小模型
模型来源 从原模型优化 重新训练新模型
结构变化 保留原骨架 全新结构
适用场景 已有模型优化 重新设计轻量模型

选择建议：

  • 已有训练好的大模型想加速 → 剪枝
  • 想从零设计一个轻量模型 → 蒸馏
  • 追求极致压缩 → 两者结合（先蒸馏再剪枝）

Q6：剪枝在实际生产中的应用效果如何？

参考答案：

  • DeepSeek结构化剪枝：实现30%-70%压缩率，硬件友好
  • 学术SOTA：TRIM方法在80%稀疏度下将Qwen2.5-14B的困惑度降低48%
  • 工业实践：证券公司对行情分类模型剪枝，压缩70%参数，推理速度提升60%

Q7：剪枝会影响模型的公平性/偏见吗？

参考答案 ：

最新研究（EMNLP 2025）表明：剪枝方法对公平性的影响大于校准数据集的选择。不当剪枝可能放大模型偏见，需要：

  1. 在剪枝过程中加入公平性约束
  2. 剪枝后用公平性指标评估
  3. 对敏感任务谨慎使用高剪枝率

总结

核心知识点速记

复制代码 
剪枝就是做减法，删掉冗余不重要的。
神经网络真奇妙，六成参数贡献小。
幅度梯度泰勒法，评估重要性有高招。
结构化砍整层，硬件友好加速好。
非结构化剪得细，压缩率高硬件挑。
训练评估剪枝微调，迭代优化效果好。
三十五十压缩率，精度损失微乎微。
剪枝蒸馏和量化，三剑合璧威力大。

话术速查表

问题类型 回答时间 核心要点
什么是剪枝 10秒 移除不重要参数，让模型变轻变快
为什么能剪枝 20秒 60%参数接近0，剪掉不影响输出
结构化 vs 非结构化 30秒 结构化砍整层（硬件友好），非结构化剪单个（压缩率高）
怎么判断重要性 20秒 幅度法最常用（|w|小的不重要）
精度下降怎么办 20秒 微调恢复，1%-5%数据训练几个epoch
剪枝 vs 蒸馏 20秒 剪枝优化原模型，蒸馏重新训练小模型
适用场景 20秒 云端/移动端/边缘设备，追求低延迟低成本

写在最后

模型剪枝看似只是"删参数"，但它的本质是AI模型的精益化转型------从"大就是好"的粗放模式，走向"够用就好"的精准路线：

  • 云端大模型剪枝后，推理成本从"天价"降到"白菜价"；
  • 手机端剪枝模型，让AI能力从"云端特权"变成"人人可用"；
  • 边缘设备上的剪枝模型，让智能走进工厂、农田、社区。

面试官问剪枝，不是在考"定义"，而是在考察你对模型压缩、工程落地、性能优化的综合理解。能讲清楚剪枝的人，模型部署、成本控制、硬件适配都不会差。

如果觉得有帮助，欢迎点赞、收藏、转发！有问题欢迎在评论区留言交流。

相关推荐
The_Ticker1 小时前
港股量化实测：实时行情接口性能与数据质量深度解析
python·websocket·算法·金融
fie88891 小时前
基于有限体积法（FVM）的MATLAB流体力学求解程序
算法·matlab
装不满的克莱因瓶4 小时前
链式法则如何传递参数误差 —— 深入理解神经网络中的梯度传播
人工智能·python·深度学习·神经网络·数学·机器学习·ai
小欣加油10 小时前
leetcode56 合并区间
c++·算法·leetcode·职场和发展
lqqjuly10 小时前
前沿算法深度解析（二）
人工智能·算法·机器学习
徐小夕12 小时前
万字长文！千万级文档 RAG 知识库系统落地实践
前端·算法·github
akunkuntaimei12 小时前
2026年高考数学各省真题及答案（完整版）
算法·高考
Hello:CodeWorld13 小时前
C 风格变参 vs C++ 变参模板：核心区别与选型指南
c语言·c++·算法
8Qi814 小时前
LeetCode 516：最长回文子序列
算法·leetcode·职场和发展·动态规划
热门推荐
01《置身钉内》原文-可播放阅读02【AI】2026 年具身智能模型和世界模型总结03GitHub 镜像站点042026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？05Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析062026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf07Codex 下载安装指南：Windows 和 macOS 官方版下载08AI科技热点日报 | 2026年6月1日09【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法10CC-Switch 下载、安装与使用配置指南【2026.5.29】