代码要点 placement new：原地构造对象，避免内存频繁地申请和释放 手动析构 + operator delete：和placement new配套使用，析构对象不一定要释放内存 三个指针成员：当然也可以一个指针 + size + capacity，但gcc中用的是三个指针 ~MyVector()：不可以写成~MyVector() { delete(_start); }，否则只有 _st

参考：https://www.bilibili.com/video/BV1364y1i7uo/?spm_id_from=333.1007.top_right_bar_window_default_collection.content.click&vd_source=7e145ef25e753e6fd72277167b7c92f0https://gitee.com/

参考： AI算法基础：Winograd算法原理 卷积神经网络中的Winograd快速卷积算法 从TensorRT看INT8量化原理 MegEngine Inference 卷积优化之 Im2col 和 winograd 优化 一、introduction motivation 网络训练耗时过大，卷积层是CNN前向推理计算的主要计算瓶颈。在广泛使用的CNN模型中，卷积层的运算量可占到95%以上

一些参考： Distributed Optimization Algorithms 分布式优化（Distributed Optimization）前置介绍和一些思考： 现实背景：最优编队控制问题，即既要求实现传统的位置consensus以形成特定编队，也要在某些指标（变换队形时的总移动距离、能耗balabala）达到最优。 $$ 每个智能体的代价函数：f_i(\phi_i)=c_i|\phi_i-

Paper 1：Event-Triggered Real-Time Scheduling of Stabilizing Control Tasks, 2007, TAC 一、motivation ​ 传统的固定时间周期的采样方式缺乏严格量化证明（时间周期为多少合适？少了不准确，多了浪费资源），而在微型处理器上又希望能尽可能节约计算资源， 所以考虑将周期采样转换为非周期采样，采样时间由某个“事件”

《EE364A笔记》 Lecture_1 Introduction 最小二乘问题 有解析解：$x^*=(A^TA)^{-1}A^Tb$ 现已有成熟方法和软件来解决最小二乘问题 线性规划问题 没有解析解 现已有成熟方法和软件来解决线性规划问题 凸优化问题 ​ 其中目标函数 f0 和约束函数 fi 都是凸的，即满足： Lecture_2 Convex sets 一、凸包与凸