⑴ 树状数组
首先先将所有数从小到大排序 ，带凯答并编号, 大小相同的编号也相同 ， 我们记ai的编号为si 。
依次处理孙悉a1,a2...an , 用f[ i ] 记录当前编号蠢慧为 i 的出现了好多次
对于ai 来说 ，比它小的数的个数就是 f[ 1 ] + f[ 2 ] + ... f[ si - 1 ]
用树状数组处理上面的 f[ 1 ] + f[ 2 ] + ... f[ si - 1 ] 求和过程就OK了。
快排和树状数组都是O(nlogn) ，所以整个算法是O(nlogn)
还有问题的话可以联系我
⑵ AI在保存的时候出现“无法存储插图”怎么办为什么呢
出现这种情况主要是C盘内存不够。
解决方法如下：
1、先打开AI，右上角点开编辑。
⑶ AI存储时 出现未知错误为什么存不了 求帮忙！很急！
内存问题，清理下内存，
第二，你做的文件太大，更多的可能是你再做文件的时候，有很多图片是复制黏贴进去的，而不是置入链接进去的。
⑷ 网络高手请进~!
其实做网站的道理很简单，就是在网络上能让别人浏览你做的网页，运行你的网络程序，下面我来详细给你解答一下（自己的话，绝非抄袭）。
1：所需要了解的知识
首先必先了解HTML语言，这是一种标记性语言，也就是网页的源代橘喊首码，无论什么网页设计软件，最终都是根据HTML语言渗型的原理来实现可视化的操作，可谓“万变不离其宗”
再者最好了解一下脚本语言，如JAVASCRIPT、VBSCRIPT。这些是应用与HTML内的嵌入式脚本语言，能非常方便的嵌入于HTML语言中实现强大的交互功能。其实在现在的网站建设中，此类语言的使用频率非常高，所以有必要重视一下。
第三了解一下网络接口语言，也就是常说的网络程序语言，如CGI、PHP、ASP、JSP等，这里语言可以实现网站和浏览者，前台界面与后台数据库之间的完美交互功能，比如论坛，聊天室、OA系统等都是这些语言的杰作。也是建站不可缺少的元素。
最后了解一点网络服务器的知识，和网络数据库的知识。当然还要了解HTTP和FTP协议。
2：制作网页所涉及到的软件
这点相信大家都很熟悉，做网页的软件目前仍然是MICROSOFT的FRONTPAGE和MICROMEADIA的DREAMWEAVER最流行。多查查这类的书籍，学好了绝对对你有帮助。
至于网页上的动态元素（GIF和FLASH动画）涉及到的软件有，MICROMEADIA的FLASH和ADOBE的IMAGEREADY等，制作静态图片我还是给你推荐ADOBE的PHOTOSHOP。学好这些软件，想设计出漂亮的页面就不是问题了。
3：网络服务器
就是所谓的网络空间，有自己的独立IP，可以做DNS指向。空间有免费的也有要花钱的，具体使用哪类还要你自己决定。
将本机已经制作好的网站传到网络空间上通常会使用FTP协议（文件传输协议）。比较流行的软件有CUTEFTP和FLASHFXP等，使用方法请参考相关的资料。这里不多加说明。
这里要提示你的是，本机的圆数网站如果涉及到网络程序和数据库的话，一定要注意以下几个问题：
1）、空间是否支持网络语言，比如PHP、ASP之类的。
2）、空间是否提供数据库空间，比如MYSQL、ACCESS、SQLSERVER等。
3）、利用FTP将文件传输到网络空间里时，一定要记得修改程序文件和数据库文件的文件属性，比如程序文件一定要设置成“可读”和“可执行”方可在网络上正常运行；数据库文件一定要设置成“可读”和“可写”属性方可在网络上正常读写数据。
以上为制作网站所需要的一些相关知识。希望能对你有所帮助。
###################制作一个最简单的网站的步骤##############
1：利用网页制作软件制作一个网站，首页文件起名为“index.htm”或“default.htm”
2：申请网络空间和域名。
申请一个免费的空间你需要记录以下信息：空间的域名、FTP地址、用户名、密码。
申请一个不支持程序的收费空间你需要记录的信息有：域名、空间地址、DNS解析管理后台地址、FTP地址、FTP用户名、FTP密码等。
申请一个支持程序的空间你需要记录的信息有：域名、空间地址、DNS解吸管理后台地址、用户名、密码、FTP地址、FTP用户名、FTP密码、数据库地址、数据库用户名、数据库密码。
3：利用FTP软件将你的网站传到网络空间的指定目录下，如果有程序记得更改程序文件的属性。
4：在地址栏中输入你的域名，直接会显示你的首页文件。
至此一个简单的网站就弄好了，弄网站容易，维护网站可不容易后，以后利用维护网站的时间多熟悉这方面的操作就可以了。
希望你早日成为一个建站高手，欢迎QQ随时联系：86831860。
⑸ 可解释AI，如何打开算法的黑箱
随着以机器学习为代表的新一代人工智能技术不断朝着更加先进、复杂、自主的方向发展，我们的经济和 社会 发展都纷纷迎来了变革性的机遇。但与此同时，AI算法的透明度、可解释性问题也为公众信任、公共安全等诸多领域带来了前所未有的挑战。
1月11日 14日，“腾讯 科技 向善创新周”在线上举办。“透明可解释AI——打开黑箱的理念与实践”专题论坛即聚焦于此。论坛发布了《可解释AI发展报告2022》，随后由专家学者（见文末）共同参与了圆桌讨论。以下为整理文章：
可解释AI的概念共识
姚新：
大家在讨论AI算法的透明性和可解释性的时候，首先应该考虑三个W的问题——Who，What和Why的问题。
首先，到底是对谁讲透明和可解释？因为从科学研究来说，任何一个研究都必须透明，都必须可解释，否则这个论文是发不出来的。所以我猜过去讲透明性和可解释性，可能不是对科学家来说的可解释性或者透明性，因为对科学家的透明性和可解释性，不一定对大众透明和可解释。第二是解释什么？解释模型做出来的结果还是解释这个模型的工作原理。第三，解释总是有一个目的，目的是要追责还是理解这个模型的科学原理。
根据对这三个W不同的答案，会得出非常不一样的透明性和可解释性，相应的解决办法可能也完全不一样。不管怎样，考虑透明性和可解释性的时候，首先大家要有一个概念上的共识，使得我们知道我们是讲同样一件事情，而不是用了同样一个名词，大让宏家在不同的抽象层次讲不同的问题。
吴保元：
可解释是可信AI的重要组成部分，是可信的前提条件之一，但是相比于鲁棒性、公平性等可信特性，我觉得可解释不是独立存在的概念。就是姚老师刚才提到的，我们到底在解释什么？其他的特性都是有自己明确的数学定义，比如鲁棒性、公平性等，但是可解释性是没有的，因为我们单独提到它的时候，背后默认的更可能是对模型准确度的可解释性。或许这也可以解释为什么当前的可解释研究思路这么多，但是好像没有一个明确的框架，我觉得最主要的原因是它的解释对象不一样，没有办法统一到一起。
基于这种理解，我个人有一点小的想法，不应该把它称为可解释性，把它称为可解释力或许更准确。可解释性，大家可能误认为它是一种独立存在的性质；可解释力是一种可解释的能力，脊滑态就像我们说的理解力、领导力等等，它是一种手段，一种行为，一种操作存在，需要跟别的绑在一起。我觉得以后提到它的时候，应该准确地描述它是针对什么特性的可解释力，而不是笼统地说可解释性如何。
可解释AI的价值何在？
朱菁：
人们对于人工智能系统可解释性、透明性的要求，大致有四个层次：
第一个针对的是直接用户，用户需要了解人工智能产品、服务背后的原理是什么，这是建立可信任AI的重要基础。可解释AI，实际上支撑了可信任AI。
第二个层次，对于政策和监管部门，他们希望通过解释原理来了解人工智能产品的公平性、可问责性，归因的过程是我们进一步问责、追究责任的基础。所以，可解释AI也与负责任的AI、可问责的AI是联系在一起的。
第三个层次就是技术工程与科学层次，我们希望了解为什么某些算法能够成功，它成功背后的奥秘是什么，它的应用范围是什么，它能否在更大的范围内使用樱源这样一些算法或者是一些技术。
第四个是公众理解AI，如果 社会 大众大多数关心的话，他也能够在这方面了解相应的技术、系统大体的工作原理方式是什么。
何凤翔：
在现在的AI系统中，其实很多算法背后运作机制是未知的，是不清楚的，这种未知带来了未知的、难以管理的风险，包括安全性、鲁棒性、隐私保护、公平性等等。
这些点关系到了 社会 运转中非常关键、人命关天的领域，比如医疗、自动驾驶。这会带来很大的应用方面的困难，以及 社会 对AI的不信任。因为当AI算法运作机制是未知的时候，它的风险机制、风险大小、风险尺度就是未知的，我们就难以去管理风险，进而去控制风险。
可解释AI的挑战何在？
姚新：
原来我一个学生跟我做了一点关于公平性的工作，跟其他的文献发现的点非常一致，就是说模型的准确性和公平性之间是相互矛盾的。性能最好的模型从公平性的角度来说，按指标来测量不见得最好，你要把模型做得都是最公平，用指标来衡量的话，它的性能就会受到损失。实际上可解释性非常类似现在有各版的可解释性指标，但是要真正考虑这些指标的话，模型的性能总是会掉下来，要考虑在实际过程中怎么来找一个折中的方案。
吴保元：
针对可解释性本身的不可行、不可取，这也是值得我们思考的问题。比如说我们在研究犯罪率或者说疾病的传播率、发病率等，如果我们就拿现成的统计数据，比如在不同种族、不同地域采集的数据，很有可能会得出来某些种族或者某些地域犯罪率很高，这是因为数据采集的时候就是这样的。这样一来，如果可解释给出的类似结论被公开，可能会造成种族或者地域歧视。但实际上数据背后是我们在采集的时候没有采集其他特性，比如说为什么这个地域的传播率很高呢？很有可能是政府投入不足，或者说其他的因素。
所以这也启发我们可解释性本身它的可信性是什么，它的准确性，它的公平性，它是否忽略了某些特征，或者夸大了某些特征，它的鲁棒性，是不是把样本变化一点，它的可解释性截然相反，这些需要我们进一步思考。
另外，我跟很多研究可解释的专家聊过，他们的困惑在于现在的可解释性方法是不可印证的，甚至是矛盾的，这就引出了可解释性方法本身的可信度的问题。
何凤翔：
在我看来，理解深度学习算法的运作机制，大致有理论和实践两条路径。在理论方面，当前的研究无法完全解释理论上泛化性较差的深度模型为何能在多领域取得如此的成功。这种理论与实践的矛盾，就像曾经物理学中的乌云一样，反映出来了人们对于机器学习理解的缺失，而这是现在在理论上提升算法可解释性的一个难点。
而在实验角度上，很多实验学科中的做法可以作为对于机器学习研究的启发，比如说物理学、化学，以及刚才提到的医疗。比如说药物研发流程中的合格检验，要做双盲实验；在物理学、化学的研究中，对控制变量实验有严格要求。类似的机制是否能在AI研究中严格执行呢？我觉得这可能是另外一条路径。在我看来，现有的很多对于AI算法的解释是启发式的，而在关键领域中我们需要的是证据，这需要在理论和实验两方面做很多工作。
可解释AI如何实现？
朱菁：
前面很多专家都指出对于解释有不同的目标，不同的对象，不同的要求，所以实际上关于人工智能的可解释性问题可能是属于多元性的，就是要允许有多种不同层次不同方式的解释在这里面起作用，针对不同的领域、不同的对象，使用不同解释的方式。
当可解释性有它的局限或者和其他的目标、要求，需要做出权衡取舍的时候，我们想也可以从多个层面来进行替代性的，或者说是补偿性、补充性的策略。比方说针对监管部门，它对于可解释性的要求，和面向公众或者专家层面的，会有所不同，所以这个可以通过若干个层次，比如说监管部门的，行业的，市场的，以及传播普及层面的，对于安全性、鲁棒性要求更高一些，或者在专家层面上有更好的沟通理解，而对于 社会 公众而言，这里面就需要有一些转换，同时有需要一些权威部门，有公信力的部门，向 社会 做一些说明和认定。
姚新：
深度神经网络可以解决特别复杂的问题，我觉得现在大家用深度网络有一个原因，即所针对的问题本身可能就比较复杂。这是一个假设。假如这个假设是对的话，那么相应的可解释性不会特别好理解。因为需要对付这些复杂性，相应的模型就必然是要复杂。
所以我总觉得透明性、可解释性和性能之间是有一个固有的矛盾，如果现在把从技术上讨论的方向，是怎么找一个折中方案，根据不同的场景、可解释的目的，找不同折中方案，这样导致有可能会出来一些比较具体的技术，或者可以促进这些技术往落地的方向走。
吴保元：
我们尝试过一些从技术上可行的方案去量化各种可信特性，但是，要实现统一量化很困难，比如说公平性和鲁棒性都有不同的量化准则和指标。当把不同的特性简单组合到一起的时候很难优化，因为它们的准则是高度不对齐的，差异非常大，这就涉及怎么去对齐这些特性坐标。我认为想要找到一个全局坐标系是非常困难的。我们可以从局部出发，针对某种场景，比如医疗场景，首先把隐私性当做前提，在金融或者自动驾驶，我们把鲁棒性当做前提，然后再去研究其他特性，或许一步一步能够找到这种坐标系。
可解释AI的技术现状？
郑冶枫：
总体来说，因为我们现在还缺乏非常好的理论框架，所以可能针对问题，我们创造性地想一些算法，试图提高本身这个系统的可解释性，给大家举两个例子来说明一下我们天衍实验室在这方面的 探索 。
深度学习可能有千亿、万亿的参数，这对于医生来说太复杂了，他很难理解这个算法的底层原理，算法本身可能缺乏一个全局的可解释性。但是深度学习框架准确率非常高，所以我们不可能不用。而可解释性非常好的模型就是回归模型，这类模型主要的问题就是准确率太低。所以我们做了一个 探索 ，我们希望把这两个模型结合起来，它具有非常高的准确率，还有一定的可解释性，不是完全可解释性。
我们把这个混合模型用于疾病风险预测，就是根据病人历次的就诊记录，我们预测病人在未来6个月之内得某个重大疾病的概率，比如他得卒中的概率。病人每一次的就诊记录包含大量信息，这里面我们需要提取一些跟预测目标相关的重要信息，我们知道生物学习网络最擅长的就是自动特征学习。所以我们利用深度学习网络把一次就诊记录压缩成一个特征的向量，接着我们利用回归模型，把病人多次就诊记录综合起来预测未来6个月之内这个病人得脑卒中的风险。
杨强：
我们在审视各个算法和它对应的可解释性的关联问题上，发现一个有趣的现象，比方说在机器学习里面，深度学习就是属于效率非常高的，但是它却对应的可解释性很差。同样，线性模型没有那么高，但是它的可解释性相对强一些，树状模型也是，因果模型更是这样。所以往往我们确实得做一个取舍，就是我们在可解释这个维度和高效率这个维度，在这个空间里面选择哪一个点，现在并没有在两个维度都高的这样一个算法。
可解释AI的行业实践
郑冶枫：
各行业对可解释性和透明性的要求不同，我结合医疗AI这个场景给大家分享一下我的体会和理解。大家知道医疗在全世界范围内都是被强监管的领域，一款医疗产品要上市必须拿到医疗器械注册证，辅助诊断算法AI产品属于三类医疗医疗，也就是监管最严格的级别，所以我们要披露的信息很多，大致包括数据集和临床算法验证两方面。前者主要强调数据集的公平多样性和广泛覆盖性，后者则重视披露我们的算法真正在临床试验中、真正临床应用的时候它的性能。
此外，我们的测试样本也需要有很好的多样性，覆盖不同医院，不同区域，不同病人群体、厂商、扫描参数等等。临床实验更加严格，首先我们要固化算法的代码，在临床试验期间是不能改代码的，因为你不能一边做实验一边改代码，这就失去了临床试验的意义。
所以医疗AI的监管是非常强的，药监局需要我们披露很多信息，提高医疗AI产品的透明性，它有非常严格甚至苛刻的书面要求。因为我们知道智能学习网络天然不具有很好的解释性，虽然你可以做一些中间增强，可以一定程度上改善这些事情，监管也可以理解这个解释性差一点，正因为解释性差，要求的透明性就越高。
何凤翔：
我觉得提供AI系统的说明书有两个路径：第一个路径从生成AI系统的过程出发。这一点现在有一些实践，比如开源代码，说明使用了什么数据，数据是如何使用的、如何预处理的。这会提升人们对AI的信任和理解，这也像刚才郑老师提到，申请医疗相关的资质的时候，我们需要把生产细节汇报给相关机构。
第二种方式就是从生成的AI系统所做出的预测以及决策的指标来入手做算法的说明书。比方对AI系统做一些测评。对于刚才我们提到的指标，包括可解释性、鲁棒性、准确性、隐私保护、公平性，找到一些比较好的量化指标、找到一些评测算法，把这些指标作为AI系统的使用说明书。
可解释AI的未来发展
杨强：我期待在未来人工智能的治理，在人工智能，人和机器这种和谐共存，共同解决我们要解决问题的前提下，会越来越成熟。我是非常看好这个领域的。
朱菁：我期待这个领域进一步的探讨，不同领域的学者都能够参与进来。比如说像我自己做的主要是哲学， 科技 哲学。在 科技 哲学，实际上对于解释有将近一百年的积累和 探索 ，这里面应该有很多可以发掘借鉴的资源，参与到目前这样一个很有意思很有挑战性的话题里面。
何凤翔：AI本身是一个跨学科领域，它可能会用到很多数学、统计、物理、计算机等各个知识的领域，今天提到的很多点，包括隐私保护、公平性，很多也是来源于人文学科、法律、 社会 学这些方面。所以这就意味着研究可信AI以及可解释性等等方面会需要各个学科领域的人合作起来一起去做的一件事情，会非常需要大家的通力合作，共同推进这个领域的发展。
姚新：对于做研究来说，我希望将来可以有一点聚焦的讨论。我刚才讲的3W，到底我们要解决透明性、可解释性的哪一部分，对谁而言。假如对医疗而言，是对法规的制定者来说还是对医生来说，还是对病人来说，还是对这个系统的开发者来说？我觉得在这里面有非常多可以发挥自己的想象力和能力的地方。
郑冶枫：对算法人员来说，当然我们希望将来科学家们找到非常好的，具有良好可解释性，同时准确性非常高的算法，真正做到鱼和熊掌兼得。
⑹ 人工智能技术
工智能（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人智能的理论、方法、技术及应用系统的一门新技术科学。人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技手让术及应用系统的一门新技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，可以产出一种新的可以和人类智能相似的方式做出反应的智能机器，该领域的研究主要有机器人、语言识别毕凳局、图像识别、自然语言处理和专家系统等。
自从人工智能诞生以来，理论和技术越来越成熟，应用领域在不断的扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以把人的意识、思维的信息过程的模拟。虽然人工智能不是人的智能，但可粗顷以像人那样思考、最终可能超过人的智能。
优点：
1、在生产方面，效率更高且成本低廉的机器及人工智能实体代替了人的各种能力，人类的劳动力将大大被解放。
2、人类环境问题将会得到一定的改善，较少的资源可以满足更大的需求。
3、人工智能可以提高人类认识世界、适应世界的能力。
缺点：
1、人工智能代替了人类做各种各样的事情，人类失业率会明显的增高，人类就会处于无依靠可生存的状态。
2、人工智能如果不能合理利用，可能被坏人利用在犯罪上，那么人类将会陷入恐慌。
3、如果我们无法很好控制和利用人工智能，我们反而会被人工智能所控制与利用，那么人类将走向灭亡，世界也将变得慌乱。
⑺ ai格式怎样在illustrator中将一张画面有很多图批量存储成JPG格式的图片
AI批量导出多个图片为单独JPG，是要将每个图片建立单独的画板就可以了
步骤：
1、先打开需要导出的总图，这里示例的是由多条花边在一起的图片；
⑻ 用AI排杂志需要预留出血位吗为什么
1.用AI排版应该注咐羡意什么常见问题？
答:要注意页面尺寸,预留出血位,输出的时候要注意贴印,比如你有CMYK四色图片,作图的时候不觉得什么,但出菲林后,要注意由于黑色是在所有颜色最上面的,所以下面的颜色要做好叠印,否则就会透穿,何为透穿,就象盗版的问什么有时候文字看上去颜色都溢出了,就因为透穿了,而造成叠印不准,这个步骤是不能省的,具体做法是:颜色面板-属性框-叠印颜色,有时还要叠印画笔,道理一样,除了黑色,其他的都要叠印,因为黑总在嫌纤上面,所以不会被压掉的
2.这么可以不让标点符号不再句首？
答:在AI中好像没有避头尾设置吧,你可以先用文本工具画出一个框,然后文字就可以定义在框中了,这样也省了段落回车,如果标点不小心到头上去了,你可以用字符工具中的"字距微调",快捷键是将某段字符选中,然后按ALT+右箭头,就可以调整了,一般出版物上根本看不出来,而且用了文本框的画,你稍微拉一下文本框也可以很好的解决这个问题。
3.新建文件的时候是不是就要吧出血加上？
答：不需要。
你要什么大小的文件就建立多大的，因为AI不是象PS一样，按照建立文件的大小打印的，芹简仿AI是看到页面上有什么就打印什么，如果区分出血和图文，是通过剪裁标记，也就是通常所说的角线来区分的，所以完全没有必要在把出血也算上去，再说，这样更容易画角线
4.成图存成什么格式送到印刷厂好？
答：因为是要通过机器先出菲林，所以当然是打PS文件咯，这里的PS和PHOTOSHOP可不是一回事啊，全称是POSTSCRIPT,是制版机认识的格式。如果你就想问怎么把文件给印刷厂，那就直接存AI，他们有机器可以打开文件的。
5.文件置入AI里和直接把文件拖到AI里有区别吗？？
答：当然是有区别的了，置入的文件比直接拖到AI中的文件，在存储后大，因为拖入文件到AI，在行业里的术语叫包含，也就是AI中包含了图片，位图等一些其他的文件，这样原本AI小巧的文件就会被这些文件所变大，而置入只不过给了AI一个路径，总的文件并不包括他们，所以文件就来的小，一般建议置入，因为这样的话打开一个文件所需要的时间就少很多了，尤其象现在越做越复杂的图片。
那当然有利也有弊的，由于置入是一个路径，如果你的AI文件（就是本身的文件）被拖出了文件夹，那打开的时候就会找不到那些图片，而包含就不会出现那个问题了
所以建议在做AI的时候不要都做在一个文件夹下，做什么图了，就新建个文件夹，这样你的AI文件就有序的多了。