前言

按照费曼学习法的理论，学习要有输出。计算机知识很多很杂，要落实到代码上，亲自动手，才能真正学会。

因此，在学习的过程中，知识点落实到代码上，落实到文字总结上。这就是创建这个项目的初衷，记录总结回顾。

专注于学习和创造，而不是娱乐和分心

C++

面试问题

C++ 面试题答案

为什么class成员函数声明和定义分开？
模板类的声明和实现可以分开吗？

面向对象编程 OOP(Object Oriented Programming)

C++ 面向对象三大特性

Encapsulation - 封装
Inheritance - 继承
Polymorphism - 多态

STL

容器

STL容器类型¹

容器	底层数据结构	时间复杂度
array	数组	随机读改 $O(1)$
vector	数组	随机读改、尾部插入、尾部删除 $O(1)$ 头部插入、头部删除 $O(n)$
deque	双端队列	头尾插入、头尾删除 $O(1)$
list	双向链表	插入、删除 $O(1)$
forward_list	单向链表	插入、删除 $O(1)$
set	红黑树	插入、删除、查找 $O(logn)$
multiset	红黑树	插入、删除、查找 $O(logn)$
map	红黑树	插入、删除、查找 $O(logn)$
multimap	红黑树	插入、删除、查找 $O(logn)$
unordered_set	哈希表	插入、删除、查找 $O(1)$ 最差 $O(n)$
unordered_multiset	哈希表	插入、删除、查找 $O(1)$ 最差 $O(n)$
unordered_map	哈希表	插入、删除、查找 $O(1)$ 最差 $O(n)$
unordered_multimap	哈希表	插入、删除、查找 $O(1)$ 最差 $O(n)$

算法

一些常见的算法，比如排序。

排序算法

十大排序算法详解
 源代码

算法名称	平均时间复杂度	最好情况	最坏情况	空间复杂度	排序方式	稳定性
冒泡排序	$O(n^2)$	$O(n)$	$O(n^2)$	$O(1)$	In-place	稳定
选择排序	$O(n^2)$	$O(n^2)$	$O(n^2)$	$O(1)$	In-place	不稳定
插入排序	$O(n^2)$	$O(n)$	$O(n^2)$	$O(1)$	In-place	稳定
快速排序	$O(nlogn)$	$O(nlogn)$	$O(n^2)$	$O(logn)$	In-place	不稳定
归并排序	$O(nlogn)$	$O(nlogn)$	$O(nlogn)$	$O(n)$	Out-place	稳定
堆排序	$O(nlogn)$	$O(nlogn)$	$O(nlogn)$	$O(1)$	In-place	不稳定
希尔排序	$O(nlogn)$	$O(nlog^2n)$	$O(n^2)$	$O(1)$	In-place	不稳定
计数排序	$O(n+k)$	$O(n+k)$	$O(n+k)$	$O(k)$	Out-place	稳定
桶排序	$O(n+k)$	$O(n+k)$	$O(n^2)$	$O(n+k)$	Out-place	稳定
基数排序	$O(n*k)$	$O(nk)$	$O(nk)$	$O(n+k)$	Out-place	稳定

注：

In-place: 不需要额外的空间,原地修改序列实现算法。其空间复杂度为 $O(1)$。
Out-place: 需要额外的空间来实现算法。其空间复杂度一般为O($n)$或O($k)$等。
稳定性：稳定的排序算法会保持相同元素的相对位置不变。

通常会把它们分为三类²：

冒泡排序、选择排序、插入排序
堆排序、归并排序、快速排序
计数排序、基数排序、桶排序

前两类是基于比较的排序算法。对n个元素进行排序时，若元素比较大小的时间复杂度为 $O(1)$，则第一类排序算法的时间复杂度为 $O(n^2)$，第一类排序算法的时间复杂度为 $O(nlogn)$。实际上，基于比较的排序算法的时间复杂度下界为 $O(nlogn)$。
第三类不直接比较大小，而是对被排序的数值采取按位划分、分类映射等处理方式。其时间复杂度不仅与 n 有关，还与数值的大小范围 m 有关。

STL 中的 sort 函数

我们在写代码的时候是用标准库的，那么在 STL 中的排序算法是如何实现的，让我们来一探究竟：STL 中的 sort 函数详解。

AI

ChatGPT

ChatGPT-3.5/4 火的不得了，引爆整个网络，推上每天都在讨论他，各种基于 ChatGPT 的应用层出不穷，GitHub上相关的项目更是爆发增长，新出一个开源项目很快就能拿到几k几十k的star，有一个比较有意思的项目是训练自己的私人助手(privateGPT)，用自己的资料去训练。我尝试了一下对显卡和内存的要求比较高，速度很慢。对于程序员来说，最大的应用就是让他帮我们写代码了。在学习过程中，看不懂的代码直接丢给他，很快就生成详细的解答。

OpenAI 目前没有公布 ChatGPT 的论文，不过官网博客有说和 InstructGPT 吧。

We trained this model using Reinforcement Learning from Human Feedback (RLHF), using the same methods as InstructGPT, but with slight differences in the data collection setup.

InstructGPT 论文看这里：InstructGPT 原理 GPT 论文看这里：GPT 1-3

Models	Parameters	Supported	Date	References	Papers
GPT-1		Text	06/2018	5.5k	Paper³
GPT-2		Text & Image	02/2019	6k	Paper⁴
GPT-3	175B	Text	05/2020	10k	Paper⁵
InstructGPT	1.3B	Text	03/2022	923	Paper⁶
GPT-4	100T	Text & Image	05/2023	16	Technical Report⁷