Just for Life.

动态规划作为算法中较难的部分，还是下定决心慢慢整理。人生建议：遇到太难的动态规划，建议直接放弃。动态规划解题也有技巧，一般而言题目的问题都是：移动最少的次数到达终点。此时我们只需要：

1. 设置 dp 数组，数组大小一般和输入相同，但细节需要微操。dp[i] 的含义是，到达 i 的最少次数
2. 对 dp 数组进行初始化，即开始动态规划时，起始所需的次数，一般为 0，不过也有特殊情况
3. dp 的转移，如何从上一状态计算当前状态

掌握这三点，一般难度的动态规划是可以做出来的。

算法继续整理系列之区间问题。这类问题可以总结或者变化为：给定多个区间，求满足覆盖范围的最小相交区间的数量。一般而言都是：题目给定一个乱序的区间。我们需要对区间进行排序调整和统计结果，来满足题目条件。其中变化的部分只有如何处理相交区间，因此整理一个通用的算法模板。

之前一直好奇 C++ 中的 this 和 python 中的 self 到底是什么关系，为什么 C++ 要显式的写出来，python 则不需要。顺便深入了解一下 this。

之前对 static 的理解仅限于：在类中声明这种类型的变量，可以通过这个变量知道这个类被创建了多少个对象。但是前些日子刷 leetcode 的时候，发现类中自定义的 cmp 函数如果不是 static 类型，就无法被类内的 sort 函数识别。所以今天来一探究竟。

不出意外的话，这应该是 python 复习的最后一部分了，之前写 python 的时候，一般是在实践中积累一些常见的用法而后系统的学习，比如生成器装饰器、高级数据结构、各种工具库乃至 __init__.py 等细节。但 python 帮开发者自动进行了垃圾回收，所以一直没涉足这个领域，今天来了解一下 python 中垃圾回收的三种机制：引用计数、标记清除和分代回收。

很久之前我觉得移动端应用几百兆的模型不切实际，在不考虑蒸馏、量化等压缩方法下，发现了 MobileNet 设计的很神奇，大小只有几 MB，可以说是一股清流了。就整理发布了一下，然后今天发现找不到了，神奇。（于是顺手和 ShuffleNet 一并整理到轻量化的神经网络中）

在之前 yolox 解析与改进 的文章中，提到了使用 CIoU Loss 改进 SimOTA 分配正样本机制导致的小目标检测精度低的问题，就顺手来整理一些常用定位损失与演化过程。本文所有的图，绿色为 Truth，蓝色为预测结果。