ค่าสูงสุดของหน้าต่างเลื่อน
หาค่าสูงสุดในทุกหน้าต่างตัวเลขที่ครบตามความกว้างคงที่.
from collections import deque
from math import isfinite
def window_max(values, width):
if type(width) is not int or not 1 <= width <= len(values):
raise ValueError("width")
if not all(map(isfinite, values)): raise ValueError("finite values")
queue, result = deque(), []
for i, value in enumerate(values):
while queue and queue[0] <= i - width: queue.popleft()
while queue and values[queue[-1]] <= value: queue.pop()
queue.append(i)
if i >= width - 1: result.append(values[queue[0]])
return result| ตรวจสอบก่อนนำไปใช้ | เปรียบเทียบการทำงานจริงกับผลที่คาดหวัง หากการตรวจสอบไม่ผ่าน ให้หาสาเหตุก่อนแก้ไขเพิ่มเติม |
|---|---|
| โมเดล | ตั้งค่า endpoint ที่รองรับ OpenAI หรือ Anthropic ด้วย URL หลักและคีย์ API หากจำเป็น ทดสอบการเชื่อมต่อ เซิร์ฟเวอร์โมเดลในเครื่องต้องทำงานอยู่ เครื่องมือระยะไกลอาจส่งข้อมูลแยกต่างหาก |
| โปรเจกต์ | ตรวจค่าสูงสุดซ้ำ ค่าติดลบ และขอบเขตความกว้าง พร้อมปฏิเสธค่าไม่จำกัดและความกว้างนอกความยาวข้อมูล. |
from collections import deque
from math import isfinite
def window_max(values, width):
if type(width) is not int or not 1 <= width <= len(values):
raise ValueError("width")
if not all(map(isfinite, values)): raise ValueError("finite values")
queue, result = deque(), []
for i, value in enumerate(values):
while queue and queue[0] <= i - width: queue.popleft()
while queue and values[queue[-1]] <= value: queue.pop()
queue.append(i)
if i >= width - 1: result.append(values[queue[0]])
return resultเชื่อมการเปลี่ยนการคำนวณไว้กับเอาต์พุต
WindowRidge คือพื้นที่เขียนโค้ดด้วย AI บน Windows เพื่อหารือการเปลี่ยนแปลงในบริบทโครงการที่จะใช้จริง เริ่มจากเอาต์พุตที่แอปพลิเคชันคาดและระบุซอร์สที่สร้างผลนั้น ขอให้โมเดลที่เชื่อมต่อตรวจเส้นทางปัจจุบันก่อนเสนอวิธีแทน เพื่อให้รายละเอียดโค้ดผูกกับข้อกำหนดที่มองเห็นได้
การคำนวณค่าสูงสุดในหน้าต่างความกว้างคงที่เป็นงานหนึ่งที่มีประโยชน์ ระบุว่าผลแต่ละค่าตรงกับหน้าต่างที่ครบถ้วน และรวมผู้เรียกที่เชื่อมผลกับตำแหน่งอินพุต หารือค่าสูงสุดซ้ำ ค่าลบ และขอบเขตความกว้างที่ถูกต้องก่อนขอแก้ไข สิ่งนี้ให้ข้อตกลงสำหรับตรวจที่มากกว่าการหาเลขใหญ่สุดจากตัวอย่างสั้น ๆ
ใช้การทดสอบโครงการเทียบเอาต์พุตที่เสนอกับข้อมูลทดสอบชัดเจน ตรวจจำนวนผลและการจัดตำแหน่งควบคู่กับค่า รวมความกว้างหนึ่งและความกว้างเท่าจำนวนอินพุต หากเป้าหมายคือเพิ่มประสิทธิภาพ ให้วัดกับภาระงานของคุณแทนการอนุมานคำรับประกันความเร็วจากวิธีทำงานที่ต่างออกไป
เชื่อมต่อปลายทางที่เข้ากันได้กับ OpenAI หรือ Anthropic ที่รองรับเพื่อเลือกโมเดลให้ WindowRidge ผู้ให้บริการอาจมีโมเดล AI ไร้ข้อจำกัด พร้อมข้อมูลรับรองเมื่อจำเป็น พฤติกรรมโมเดล ความจุบริบท และการรองรับเครื่องมือขึ้นกับการเชื่อมต่อจริง การยอมรับการเปลี่ยนการคำนวณยังต้องอาศัยการตรวจทานและตรวจสอบของคุณ
วางแผนแพตช์การคำนวณแบบหน้าต่าง
- ทำไมต้องแสดงผู้ใช้เอาต์พุตควบคู่กับฟังก์ชัน
ผู้ใช้ผลอาจผูกแต่ละค่ากับตำแหน่งอินพุตเฉพาะ การแก้อาจรักษาค่าสูงสุดแต่เลื่อนความเชื่อมโยงนั้น รวมผู้เรียกและกำหนดว่าเอาต์พุตแต่ละตัวแทนหน้าต่างใด เพื่อให้ตรวจทั้งการจัดตำแหน่งและเลขคณิต
- ชุดทดสอบเล็กควรมีกรณีความกว้างใด
ใช้หนึ่ง ความยาวอินพุตทั้งหมด และความกว้างที่ไม่ถูกต้อง ควบคู่กับกรณีปกติที่แอปพลิเคชันต้องการ ระบุนโยบายปฏิเสธค่าที่ผิด ตรวจทั้งค่าและจำนวนผลด้วยการตรวจโครงการที่มี
- ประเมินคำแนะนำด้านประสิทธิภาพอย่างไร
ยืนยันพฤติกรรมเทียบเท่าบนข้อมูลทดสอบก่อน จากนั้นวัดตัวเลือกด้วยข้อมูลตัวแทนและเครื่องมือของคุณ คำอธิบายวิธีจากโมเดลเป็นบริบทตรวจทานที่มีประโยชน์ แต่ไม่ใช่หลักฐานประสิทธิภาพในแอปพลิเคชัน
- ค่าสูงสุดที่ซ้ำต้องใส่ใจเป็นพิเศษหรือไม่
ควรรวมไว้ เพราะวิธีทำงานอาจติดตามตำแหน่งตัวเลือกควบคู่กับค่า ขอคำอธิบายว่าตัวเลือกเก่าออกจากหน้าต่างอย่างไร แล้วเทียบพฤติกรรมที่เสนอกับลำดับคาดหวังที่ชัดเจนก่อนรับแพตช์
WindowRidge · อัปเดตล่าสุด 2026-10-25