给你一个 升序排列 的数组 nums ，请你 原地 删除重复出现的元素，使每个元素 只出现一次 ，返回删除后数组的新长度。元素的 相对顺序 应该保持 一致 。

上一篇文章中，介绍了Pytorch的自动求导机制，可以帮我们通过反向传播，求解参数的导数。但模型中的神经层结构，还是需要自己构建，会很麻烦，本文介绍Pytorch中通过Sequential模型容器，快速搭建神经网络的方法。

将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。 示例，输入：l1 = [1,2,4], l2 = [1,3,4] 输出：[1,1,2,3,4,4]

给定一个只包括 '('，')'，'{'，'}'，'['，']' 的字符串 s ，判断字符串是否有效。有效字符串需满足：1）左括号必须用相同类型的右括号闭合。2）左括号必须以正确的顺序闭合。

前面文章中，为了更好的理解神经网络模型，使用Numpy手写了一个两层的神经网络模型，但如果网络层数增多，激活函数变得复杂的情况下，这种硬解的方式会非常麻烦。可喜的是，Pytorch给我们提供了自动求导（Autograd）的功能，可以在计算损失后，自动反向传播求导。

编写一个函数来查找字符串数组中的最长公共前缀。如果不存在公共前缀，返回空字符串 ""。输入：strs = ["flower","flow","flight"]，输出："fl"。

很多人可以使用框架，快速搭建神经网络，但对神经网络的实现及反向传播一直是一知半解。本文用Numpy，通过一个隐层连接一个ReLU，再使用L2 Loss，反向传播，原生实现一个两层的线性神经网络，帮大家更好的理解神经网络的结构。

Pytorch是一个基于Python的科学计算库，类似于Numpy，但它可以使用GPU运算，也可以用它定义深度学习模型，并训练。本文介绍Pytorch基本数据类型Tensor，Tensor类似于Numpy的ndarray，可以在GPU上进行加速运算。

给定一个罗马数字，将其转换成整数。例如， 罗马数字 2 写做 II ，即为两个并列的 1 。12 写做 XII ，即为 X + II 。 27 写做 XXVII, 即为 XX + V + II 。

循环神经网络（RNN）让神经网络有了记忆，能够更好的模拟序列化的数据。虽然RNN的原理很简单，但代码特别是参数上，需要花一些时间去理解。以下我们用Pytorch中的RNN类，实现用sin曲线预测cos曲线的模型。

给你一个整数 x ，如果 x 是一个回文整数，返回 true ；否则，返回 false 。回文数是指正序（从左向右）和倒序（从右向左）读都是一样的整数。例如，121 是回文，而 123 不是。

EasyOCR是一款支持多国语言，且轻量的文字识别模块，本文以一张真实的图片，带大家使用EasyOCR来做一个图片文字识别，并利用EasyOCR返回的坐标位置，将文字位置在图片中标注出来。

给定一个整数数组 nums 和一个整数目标值 target，请你在该数组中找出 和为目标值 target 的那 两个 整数，并返回它们的数组下标。你可以假设每种输入只会对应一个答案。但是，数组中同一个元素在答案里不能重复出现。

前文介绍了概率类模型的第一种评估指标：布里尔分数，本文介绍另外一种，对数损失，又叫对数似然或者交叉熵损失，它的定义是，对于一个给定的概率分类器，在预测概率为条件的情况下，真实概率发生的可能性的负对数。值越小，效果越好。

混淆矩阵和精准率可以帮我们了解贝叶斯的分类结果，然而，选择贝叶斯分类，大多数时候并不是为了单纯追求效果，而是希望看到预测的相关概率。所以对于概率类模型，还要了解两种独有的评估指标。本文先介绍第一种：布里尔分数（Brier Score）。

本文先介绍高斯朴素贝叶斯（GaussianNB），它通过假设P(xi|Y)服从高斯分布（即正态分布），来估计每个特征下每个类别上的条件概率。以下我们用鸢尾花数据集，对高斯朴素贝叶斯做一些简单探索。

前文介绍了多项式回归的方式，来提升非线性数据在线性回归模型上的表现，本文介绍另一种重要方法，对数据进行分箱，也就是离散化。

某公司出售钢条，出售价格与钢条长度之间的关系如下表。问题：现有一段长度为n的钢条，求切割钢条方案，使得总收益最大。

前一篇文章介绍了多项式回归拓展后，对特定数据集有很好的拟合效果，那么拓展后的特征项是否具有解释性呢？本文以鸢尾花数据集，来对拓展后的特种项，做一个解释说明。但鸢尾花数据集拓展后的拟合效果并没有多大提高，就不做进一步回归拟合了。

假设有n个活动，这些活动要占用统一场地，而场地在某时刻只能供一个活动使用。每个活动都有一个开始时间si和结束时间fi（整数），表示活动在[si, fi)区间内占用场地。问：安排哪些活动能够使该场地举办的活动个数最多？