给定一个已排序的链表的头 head ， 删除所有重复的元素，使每个元素只出现一次 。返回 已排序的链表 。示例 输入：head = [1,1,2,3,3] 输出：[1,2,3]。

主办方提供的数据是一些用brat标注的文件，.txt文件为原始文档，.ann文件为标注信息，标注实体以T开头，后接实体序号，实体类别，起始位置和实体对应的文档中的词。

假设你正在爬楼梯。需要 n 阶你才能到达楼顶。每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？爬楼梯问题，是一个典型的斐波拉契数列，上第n级台阶，可以从n-1跨一步，或者n-2一次跨两步，直接加和。

本项目是阿里天池大赛的一个经典赛题，《瑞金医院MMC人工智能辅助构建知识图谱大赛》，赛题要求选手在糖尿病相关的学术论文和临床指南的基础上，做实体的标注，也就是NLP领域常说的，命名实体识别（Named Entity Recognition, NER）任务。

给你一个非负整数 x ，计算并返回 x 的 算术平方根 。由于返回类型是整数，结果只保留 整数部分 ，小数部分将被 舍去 。注意：不允许使用任何内置指数函数和算符，例如 pow(x, 0.5) 或者 x ** 0.5 。

在深度学习中，自编码器(AutoEncoder, AE)是一种无监督的神经网络模型，它可以学习到输入数据的隐含特征，这称为编码(coding)，同时用学习到的新特征可以重构出原始输入数据，称之为解码(decoding)。本文用一个简单的Pytorch自带数据集Mnist，来演示编码和解码过程。

给你两个二进制字符串，返回它们的和（用二进制表示）。输入为 非空 字符串且只包含数字 1 和 0。示例 输入: a = "1010", b = "1011" 输出: "10101"。

循环神经网络，被广泛应用在自然语言处理领域(NLP)，本文就使用RNN的一个改进模型LSTM来做一个小案例，生成藏头古诗。

给定一个由 整数 组成的 非空 数组所表示的非负整数，在该数的基础上加一。最高位数字存放在数组的首位， 数组中每个元素只存储单个数字。你可以假设除了整数 0 之外，这个整数不会以零开头。

前文介绍了Word2Vec的使用流程，需要先导入文本，再训练模型。但真实场景中，可能会面临两个问题，一是训练数据不是一个文件，而是很多个小文档；二是模型也不是一成不变的，可能会有更新的需求。下面就来解决这两个问题，迭代加载文本和模型增量学习。

给你一个字符串 s，由若干单词组成，单词前后用一些空格字符隔开。返回字符串中 最后一个 单词的长度。单词 是指仅由字母组成、不包含任何空格字符的最大子字符串。

给你一个整数数组 nums ，请你找出一个具有最大和的连续子数组（子数组最少包含一个元素），返回其最大和。子数组 是数组中的一个连续部分。

前文介绍了文本向量化类 Gensim.Word2Vec 的用法，本文继续用 Word2Vec 写一个小案例，用《人民的名义》小说文本，来训练一个Word2Vec，分析小说中人物的姓名文本相似度。

文本向量化（Word2Vec）自2013年被Google团队发明之后，就成了自然语言处理（NLP）的标配，只有将文本转化为向量之后，才能做进一步的探索。本文介绍使用Gensim中的Word2vec来实现文本向量化。

给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。请必须使用时间复杂度为 O(log n) 的算法。

FizzBuzz问题本质上是一个四分类问题，即输入一个数字，我们需要将其分为数字本身、Fizz、Buzz、FizzBuzz其中的一类。我们可以搭建一个神经网络，其输入层、隐层、输出层均为全连接层，借助它完成分类任务，进而解决问题。

给你两个字符串 haystack 和 needle ，请你在 haystack 字符串中找出 needle 字符串出现的第一个位置（下标从 0 开始）。如果不存在，则返回 -1 。当 needle 为空字符串时，返回0。

前面几篇文章，已经基本完全的介绍了模型定义的各种细节，包括模型定义、损失反向传播、权重参数更新等。但我们使用 Sequential 快速搭建的网络模型，只能处理简单的业务，如果碰到复杂的业务场景，继承 nn.Module 自定义模型处理类，将会是更好的选择。

给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。

承接上文，我们使用Sequential改造了神经网络结构，但是更新权重参数依然很麻烦，其实Pytorch中也有更新权重参数的类，而且还会使用一些策略，加快模型收敛，在前面文章《深度学习中的优化算法Optimizer比较和总结》总体介绍过，本文结合这些算法，再次优化代码。