大家一起學AI

該題Leetcode Middle of the Linked List為實現得到一半以後的鏈結串列，如以下所示，範例1共有5個鏈結串列節點(1、2、3、4、5)，要取得中間以後的數量為3個，即輸出3、4、5，而範例2共有6個鏈結串列節點(1、2、3、4、5、6)，要取得中間以後的數量為3個，即輸出4、5、6。

Example 1:

本題Leetcode需進行鏈結串列刪除節點之實現，如下圖所示，該鏈結串列共有4個節點為4、5、1、9，在例子1中，若刪除節點為5，則需刪除節點5，因此鏈結串列為4、1、9，若刪除節點為1，則鏈結串列為4、5、9。

實現Leetcode1-Two Sum，該例題之問題如以下所示，有一個Vector中包含數個元素(2、7、11、15)，且給一個目標值9，試問該向量中哪兩個元素值相加為此目標值，並回傳此向量中那兩個元素之索引值，以下例子中9為2+7，因此回傳索引值為0以及1。

Example:

近年來CVPR開始舉辦動作辨識競賽，其競賽內容包含許多部份，包含:短視頻動作辨識、時序動作辨識等，ActivityNet的競賽內容可至以下Activity競賽介紹連結進行了解，而本篇主要介紹如何至youtube下載ActivityNet資料庫，詳細步驟流程如以下所示。

Activity競賽介紹: http://cvfiasd.pixnet.net/blog/post/270823692-ActivityNet%E5%8B%95%E4%BD%9C%E8%BE%A8%E8%AD%98%E7%AB%B6%E8%B3%BD%E4%BB%8B%E7%B4%B9

在類神經網路中使用激勵函數，主要是利用非線性方程式，解決非線性問題，若不使用激勵函數，類神經網路即是以線性的方式組合運算，因為隱藏層以及輸出層皆是將上層之結果輸入，並以線性組合計算，作為這一層的輸出，使得輸出與輸入只存在著線性關係，而現實中，所有問題皆屬於非線性問題，因此，若無使用非線性之激勵函數，則類神經網路訓練出之模型便失去意義。

1.激勵函數需選擇可微分之函數，因為在誤差反向傳遞(Back Propagation)運算時，需要進行一次微分計算。

前天在網路上看到某面試考題，看到不能使用If和Switch條件式去進行函式呼叫，頓時不知所措，因此花了一點時間解決此問題，原來是要使用Function pointer array實現，透過陣列索引的方式呼叫不同函式。

題目:實現下面程式碼，且保證n一定是上面五個數字之一，不能用if和switch case，請用你認為最快的方法實作main。

該競賽為與動作辨識相關之競賽，首次舉辦於CVPR2016年，截至目前為止已經舉辦了三次(CVPR2016 - 2018)，而競賽的內容主要在於辨識日常、複雜以及較有目標明確性之動作影片，目前主要分為以下六個任務進行挑戰，任務1至任務3以及任務A至任務C， 而任務1至任務3使用ActivityNet的資料庫進行競賽，任務A至任務C則使用Kinetics (Google DeepMind)，AVA (Berkeley and Google)以及Moments in Time (MIT and IBM Research)，該篇分別針對以下此6項挑戰任務進行介紹。

任務1: 時序動作提名生成 (Temporal Action Proposals)

此篇分為兩部分進行介紹，包含讀取攝影機影像，以及將攝影機影像透過按鈕不斷的儲存成Video。

1.讀取攝影機影像

此文介紹如何讀取Video檔案並擷取成圖片，首先，此範例將Video檔案透過自己設定的取樣時間進行圖片擷取，再將擷取之圖片透過OpenCV進行顯示，其中，程式碼中之time_F為取樣頻率，若time_F= 5，代表每5幀會進行一次擷取，因此time_F越小擷取張數越多。

程式碼: