异常检测的应用场景对算法的检测性能和执行速度要求很高。 传统的检测算法需要构建实例模型以判断是否是异常，这使得模型存在过度关注正常示例导致实际识别效果欠佳和高计算复杂度限制数据运算维度的问题。 实际数据可能存在分布不均或噪声的情况，但好在异常通常是few and different的，是少和不同的，这使得我们能够容易地划分异常。

PyTorch是一种流行的深度学习框架，具有多个核心优势，使其在研究和工业界广受欢迎。 MNIST（Modified National Institute of Standards and Technology）数据集是一个广泛使用的手写数字识别数据集，常用于机器学习和深度学习的研究与实验。

在自然语言处理（NLP）领域，Transformer架构已经成为标准，但其在计算机视觉（CV）中的应用仍然有限。传统的卷积神经网络（CNN）在图像识别任务中表现优异，但随着网络深度的增加，训练变得更加困难。研究者们希望能够将Transformer的优势引入图像识别领域，以提高模型的性能和训练效率。

CNN卷积神经网络在图像识别任务中取得了显著的成功，在CNN中通过卷积激活池化的叠加运算可以使模型提取更深层次更高级的特征，但问题接踵而至，学习更好的网络并不像堆叠更多的层一样容易。深层网络面临着梯度消失和梯度爆炸的问题。

简要介绍 解决的问题 在CNN未出现之前，图像分类等任务并不好解决，主要是存在以下两个问题： 一是处理的数据量大，

Leetcode题目链接：1047. 删除字符串中的所有相邻重复项 题目描述 给出由小写字母组成的字符串 S，重复项删除操作会选择两个相邻且相同的字母，并删除它们。

请你仅使用两个队列实现一个后入先出（LIFO）的栈，并支持普通栈的全部四种操作（push、top、pop 和 empty）。实现 MyStack 类：void push(int x) 将元素 x 压入栈顶。int pop() 移除并返回栈顶元素。int top() 返回栈顶元素。boolean empty() 如果栈是空的，返回 true ；否则，返回 false 。

请你仅使用两个栈实现先入先出队列。队列应当支持一般队列支持的所有操作（push、pop、peek、empty）： 实现 MyQueue 类： void push(int x) 将元素 x 推到队列的末尾；int pop() 从队列的开头移除并返回元素；int peek() 返回队列开头的元素；boolean empty() 如果队列为空，返回 true ；否则，返回 false