在講 AP 之前先來說說 Precision 跟 Recall，就公式上來說 precision = TP/TP+FP，recall = TP/TP+FN，白話來說 Precision 就是所有 positive(預測)的結果中 TP 的比例，recall 就是預測中 positive 的目標被正確判斷為 positive 的比例，舉例來說，今天如果一張圖中有五個人，有三個人被正確的框出來了，但有另外一個不知道標去那裡的框，因此所有 positive 的結果(TP+FP=4)中有三個是對的，所以 precision=0.75，那實際為 positive 的目標(5)有三個正確的標出來，所以recall=0.6，也可以說 precision 看你標出來的品質，recall 指在乎目標有沒有被標到，confidence threshold 過高你可能標的很準達到超高的precision，但你忽略的地方相對來說也會增加，太低的話 recall 可以很高，不過可能標了太多不存在的東西。 幹嘛不直接看 Precision? 如同 detection 的結果，每個預測其實都包含了一個 confidence，如果兩個 model 預測出來一樣都是 0.8 的 precision，但一個 confidence 都落在快要被排除掉的範圍，一個 confidence 都是很完美的1，此時單純的 precision 就無法去判別出好壞。 所以 AP 怎麼計算? 所謂 AP 就是計算模型預測結果的 Precision-Recall-curve 底下的面積，顧名思義就是以 Precision 跟 Recall 當作橫軸與縱軸畫出來的圖，延續前面的例子，我們假設預測出來的框框其實有五個，confidence 分別為0.9、0.8、0.7、0.6、0.4，其中後兩個分別為錯誤與正確的預測，且 confidence threshold 為0.5，因此結果的四個框框都被選出來，但如果不論如何只選最高的那個top-1，對這例子來說 precision 就是1，如果再放寬一點，我前兩名都給過，那在這例子中依然是個很準的情況，再繼續下去放寬到第四個時，precision 就開始下降了，但過程中 recall 也會跟著增加，AP 就是來計算這曲線底下的面積，precision-recall curve，把選取的情況一一列出可以得到 Confidence threshold 0.9

contributed by < timmycc > 原題大意 題目 介紹 FB 針對頻繁的短字串處理做 SSO(Small String Optimization)，以folly::fbstring 取代 std::string，對各別大小的字串做出最適當的處理，而本測驗嘗試以 C 重現 folly::fbstring，同樣以 stack 來儲存短字串，但不同的是儲存的字串大小縮減為15 bytes，學習在特定的目的之下做出相對應的效能提升。 AAA 和 BBB 為整數，CCC 是 operator，。Count Leading Zeros (clz) 或名 Number of Leading Zeros (nlz) 為計算 2 進位數從 MSB 往右數遇到的第一個 1 之前所有 0 的數量，因此，clz(0001010100011011) 會得到 3。GCC 內建了許多功能強大的函式，其中一項就是 __builtin_clz，注意，當參數為 0 時，結果未定義:補完正確的程式碼，使得其執行結果符合預期。

contributed by <timmycc> list *sort(list *start) { if (!start || !start->next) return start; list *left = start; list *right = left->next; LL0; left = sort(left);

contributed by < timmycc > Fork and Clone 點選文內連結到 lab0-c 的 Repository 後，fork 到自己的 github，再 clone 到電腦上來進行修改。 Implement the function 文中提到了 q_insert_tail 和 q_size 需要將原本 O(n) 時間複雜度的實作改寫為 O(1) 時間複雜度 原本這兩種操作勢必都要從頭開始 traverse，唯一達到常數時間的方法是在 typedef 加入 tail 跟 size 兩種屬性。(仔細看 code 中的 comment 其實有提示)