Better late than never

门德尔松《A 大调第四交响曲“意大利”》很容易让人记住开头：弦乐跃起，背景持续跳动，音乐似乎已经站在明亮的户外。但这部作品最值得反复听的，恰恰是它没有把这种明亮一路保持到最后。 如果先不急着替旋律寻找风景，可以只问一个问题：音乐此刻怎样走路？ 跃动、行进、回旋、疾奔——四种步伐提供了很直接的听觉入口，也让小调终曲不再显得只是一次意外转暗。 先有一张地图，不急着编一个故事作品编号 Op.90，四个乐章，总长通常约半小时。意大利旅行是它的重要创作背景，但“意大利”不是逐段对应城市、人物与事件的节目单。本文的“步伐”“呼吸”和“疾奔”是帮助聆听的比喻，不是作曲家给出的情节说明。 英国皇家爱乐协会的历史档案记录了 1832 年的委约，以及门德尔松本人指挥的 1833 年首演。他后来修订过后三个乐章，作品生前未出版，身后出版的是未修订形态。这也提醒我们：编号、出版时间与创作先后不能简单画等号。本文按下方指定录音建立听觉路线，不用视频未注明的版本信息来推断修订细节。皇家爱乐协会：门德尔松与协会 乐章 速度标记 调性中心 第一次听时只追踪一件事 第一 Allegro vivace A ...

“有多少对”“有多少组三元组”看起来需要多重循环，但很多位置限制可以由扫描方向自动保证，剩下的只是一个动态前缀计数问题。另一类题甚至不需要维护完整计数：如果只问奇偶性，就应先研究操作如何改变奇偶性。 这篇从 前缀和与差分 接出一条序列计数支线：扫描保证位置关系，树状数组回答大小关系，不变量决定哪些状态根本不用保存。 1. 学习路线与官方约束题名、难度、标签与约束于 2026-09-28 核对 Codeforces 官方题目页。下面的说明是重新组织的题意，不替代原题。 官方题目 难度 官方标签 本文的切入点 459D · Pashmak and Parmida’s problem 1800 data structures, divide and conquer, sortings 先预处理频次，再扫描频次的分布 61E · Enemy is weak 1900 data structures, trees 固定中间位置，把三元组拆成左右选择 911D · Inversion Counting 1800 brute force, math 初始计数可以用树状数组，后 ...

勃拉姆斯《第二交响曲》的明亮表面下始终留着暗色，《第四交响曲》则从第一小节就拒绝先给听者一段完整、宽阔、容易哼唱的主题：弦乐用成对音符不断下行与上行，像一条边走边生成的链。四十分钟后，终曲又选择一组固定和声骨架，经过约三十次变奏走到没有凯旋的大调终点。 这部作品的统一感，不来自一个显眼旋律反复“露脸”，而来自更细小的材料怎样持续改变功能。本文按四个乐章追踪：间隔、节奏、音色和低音结构如何把局部变化连成整部交响曲。 1. 作品坐标与资料边界 项目 信息 作品 E 小调第四交响曲，Op.98 创作 1884—1885 年 首演 1885 年 10 月，迈宁根；勃拉姆斯指挥 乐章 四个 参考时长 约 40 分钟 本文演出 法兰克福广播交响乐团；Andrés Orozco-Estrada；2017-01-13 WDR 作品导读记录了作品的创作年份、首演背景和约 40 分钟时长；洛杉矶爱乐作品页列出配器，并讨论终曲的历史模型。本文的“冷峻”“爆发”“回望”都是聆听描述，不是作曲家留下的情节标题。 2. 先看整部作品的能量路线 flowchart LR ...

普通树形 DP 常问“根固定为 1 时，某个子树的答案是什么”；换根 DP 再追问一步：如果把根从父节点移到相邻孩子，哪些贡献改变了？在树上删掉这条边后，全部顶点只分成孩子侧与其余侧，所以重新计算通常可以压缩成一次加、一次减。 本文用三题建立一条递进路线：先处理可以写成总和的距离代价，再识别 Tree Painting 隐藏的深度和，最后处理不能用单个全局总量概括、需要传递“父侧最优贡献”的最大连通子图。 1. 官方资料与学习目标 题目 官方评分 官方标签 约束 本文核心 1092F Tree with Maximum Cost 1900 dfs and similar、dp、trees n≤2×10^5，a_i≤2×10^5 加权距离和的换根公式 1187E Tree Painting 2100 dfs and similar、dp、trees n≤2×10^5 把游戏得分改写成深度和 1324F Maximum White Subtree 1800 dfs and similar、dp、graphs、trees n≤2×10^5 从子树最优扩展到父侧最优 ...

只有两个完成乐章，一部交响曲还能给人“走完了一程”的感觉吗？舒伯特的 B 小调交响曲 D.759 恰好让这两个判断同时成立：手稿表明作品没有按通常的四乐章计划完成，但现存两乐章又形成了异常有力的听觉弧线。 本文不把“未完成”包装成神秘传说，而是把注意力放在可听见的证据上：低弦的黑暗开场怎样留下悬念，温柔旋律为何总被打断，第二乐章又怎样用更明亮的调性回应第一乐章。编号体系中它常被称为“第八”，也有资料称“第七”；因此下文统一用作品目录号 D.759 指认它。 先确定事实边界舒伯特在 1822 年写下这部作品，留下两个完成的乐章，以及第三乐章谐谑曲的草稿材料；为什么停止写作，没有可靠的单一答案。作品直到 1865 年才在维也纳由 Johann Herbeck 指挥首演。把疾病、遗忘或“他觉得两乐章已经完美”当作确定结论，都会越过史料能支持的边界。 可以确认 不能仅凭作品确认 两个完成乐章都有完整配器 舒伯特停止写作的唯一原因 第三乐章留下草稿，而不是完整终曲 他有意创造“两乐章交响曲”新体裁 两乐章可以独立构成强烈听觉经验 因为听感完整，所以作品在文献意义上已完成 ...

20C Dijkstra 解决了“从一个起点到其他顶点的最短距离与路径还原”。但真实题目常把最短距离当作第一层约束，再追问另一个问题：在所有最短路中怎样选最轻的树，哪些特殊边可以删，或者每个点应该选择哪个终点。 本文用三道 Codeforces 题把 Dijkstra 从“套模板”推进到“改模型”。545E 在距离相同的前驱中选最轻入边；449B 判断列车边是否真是某个城市维持最短距离所必需；938D 则把所有票价同时作为初始距离，运行一次多源 Dijkstra。 1. 官方资料与学习路线题名、难度、标签和约束于 2026-09-23 通过 Codeforces 官方题目页核对。 题目 官方难度 官方标签 关键约束 本文训练点 545E Paths and Trees 2000 graphs、greedy、shortest paths n,m ≤ 3×10^5，边权 ≤10^9 最短距离固定后独立选择最轻父边 449B Jzzhu and Cities 2000 graphs、greedy、shortest paths n,k≤10^5，m≤3×10^5 区分严格改 ...

贝多芬《第五交响曲》常让人先记住四音动机，《第六交响曲“田园”》则用场景标题安排聆听路线。《第七交响曲》没有同样醒目的文字线索，却能让四个乐章都产生强烈身体感：节奏不再只是承载旋律的格子，而像全曲真正的主角。 这不意味着作品“只有节奏、没有旋律”。更准确的说法是：重复音型、重音位置、速度层级与配器变化持续决定音乐怎样前进。本文不把它简化成欢乐庆典，而是追踪同一件事——稳定节奏如何先建立秩序，再通过累积、错位和突然切断制造张力。 1. 作品信息与聆听入口 项目 信息 作品 A 大调第七交响曲，Op.92 创作 1811—1812 年 首演 1813-12-08，维也纳，贝多芬指挥 乐章 Poco sostenuto – Vivace；Allegretto；Presto；Allegro con brio 参考时长 约 37 分钟，随演出速度与反复处理而变化 柏林爱乐乐团作品导读 列出了创作、首演、四乐章速度和参考时长；皇家音乐厅管弦乐团官方页面 提供 Iván Fischer 指挥的完整演出，并记录第二乐章在首演时受到欢迎而被立即重复。 后世常引用瓦格纳把 ...

栈不只用来“先进后出”。真正可迁移的能力，是让栈中元素代表一组仍可能影响未来的边界；一旦新元素证明某些旧边界永远不会再成为答案，就把它们弹出。 本文用三道 Codeforces 题建立递进路线：5C 用普通栈保存最后一次无法匹配的位置，1313C2 用单调栈批量计算每个山峰的最优总高度，1407D 再用两组单调栈压缩隐式图上的动态规划转移。三份实现均使用 C++17，并由独立暴力程序随机对拍。 1. 题目资料与学习目标题名、难度、标签和约束于 2026-09-20 通过 Codeforces 官方题目页核对。 题目 官方难度 官方标签 关键约束 本文训练点 5C Longest Regular Bracket Sequence 1900 constructive algorithms、data structures、dp、greedy、sortings、strings 字符串长度不超过 10^6 用失配位置划定合法后缀 1313C2 Skyscrapers (hard version) 1900 data structures、dp、greedy n ≤ 5×10^ ...

上一篇 Transformer 入门 把训练循环概括成“前向计算—计算损失—反向传播—更新参数”。这四步看起来像一句固定口令，却连接了三个容易混在一起的问题：梯度是什么，反向传播怎样高效得到梯度，优化器又怎样使用梯度。 本文从只有两个参数的直线开始，先手算一次前向与反向，再把同一过程推广成计算图和自动微分。最后从零实现一个小型反向模式自动微分引擎，用 SGD 与 Adam 学回 y = 2x - 1。目标不是复刻完整深度学习框架，而是建立一条可以逐项检查的训练链。 1. 先分清三件事给定参数 θ 和损失 L(θ)，训练想让损失变小。围绕这件事有三个不同层次： 名称 回答的问题 产物 微分 一个微小参数变化会怎样影响损失 导数或梯度 反向传播 复合计算中怎样复用链式法则 从输出到各参数的梯度 优化器 得到梯度后怎样改变参数 下一步参数值与优化器状态 反向传播不是优化器，Adam 也不负责推导导数。自动微分系统先按程序实际执行的运算构建依赖关系，再在反向阶段计算梯度；优化器读取这些梯度，决定更新的方向与尺度。 flowchart LR A[参数与一 ...

Transformer 常被缩写成一张由箭头、残差连接和矩阵乘法组成的结构图。直接记住这张图并不难，困难的是回答几个更具体的问题：一个 token 怎样变成向量，Q、K、V 分别做什么，为什么要遮住未来，以及训练时能并行计算的模型为什么生成时仍要一步一步输出。 本文从最小神经网络单元出发，用三个 token 手算一次注意力，再把它放回完整的 Transformer 块。重点是建立一条可以检查的计算链，而不是把“注意力”描述成模型像人一样集中精神。 1. 先把 Transformer 放回神经网络神经网络接收一组数值，通过带参数的变换产生另一组数值。最常见的线性层可以写成： 1y = xW + b x 是输入向量，W 和 b 是训练中更新的参数。若连续堆叠线性层，中间没有非线性激活，整个网络仍可合并成一次线性变换；因此实际网络会加入 ReLU、GELU 等非线性函数。 概念 在计算中是什么 容易产生的误解 参数 训练更新的矩阵或向量 参数多就必然理解得更深 激活值 当前样本经过网络时产生的中间结果 它是模型长期保存的知识 表示 用一组数值编码当前对象及上下文 每 ...