牛客周赛61

实战MSP-M0G3507与陶晶驰串口屏的通信协议解析 本文详细解析了MSP-M0G3507微控制器与陶晶驰串口屏的通信协议实现。内容涵盖串口配置、协议帧结构、数据校验机制及ASCII协议实战代码,重点介绍了陶晶驰串口屏的指令集应用和调试技巧,为嵌入式开发提供可靠的串口通信解决方案。 阅读详情

目录

A.Letter Song ~ 致十年后的我们

B.简单图形问题 - 0123

C.小红的机器人构造 - Ⅰ+Ⅱ+Ⅲ

D.小红的差值构造 - easy+hard+extreme


A.Letter Song ~ 致十年后的我们

(https://ac.nowcoder.com/acm/contest/91072/A)

1.思路  (AC ^ ^)

                将字符串的年份转化为整型+10后再转化为字符串输出

2.函数

(1)截取指定长度的字符串,前开后闭        

string s = "2024-9-22";
string re = s.substr(0,4);    // "2024"

(2)将字符串转化为整数

string s = "2024";          // std::意思是特定命名空间,stoi(string to integer)
int year = std::stoi(s);    // 2024

(3)将整数转化为字符串

int year = 2024;
string re = std::to_string(year);    // "2024"

B.简单图形问题 - 0123

(https://ac.nowcoder.com/acm/contest/91072/B)

1.思路  (AC ^ ^)

        根据面积直接算边长,判断是否为整数(等边三角形面积        S=\frac{\sqrt{3}}{4}a^2        )

2.函数

(1)判断一个数是否为整数,小数+整数和整数部分的差值是否小于某个阈值

bool whe(x){
    const double ep = 1e-9;            // 1e-9 = 1*10^-9
    return fabs(x - floor(x)) < ep;    // fabs计算浮点数的绝对值,floor计算<=x最大整数
}

3.其他

        只有两种可能,要么是0,要么是3,因为题目给出的面积s为整数,所以不可能是等边三角形,只要判断所给出的面积能否构成正方形即可

C.小红的机器人构造 - Ⅰ+Ⅱ+Ⅲ

(https://ac.nowcoder.com/acm/contest/91072/C)

1.思路

        Ⅰ x轴、y轴两个方向独立,只要到达(x,y)对应的方向上的步数足够即可,如x=3,y=2,U>=3&&R>=2即可,注意这里的x=3,y=2对应坐标轴是(2,3)

        Ⅱ 因为已经确定可以到达相应的位置,直接输出正好到达该位置的步数即可,如x=3,y=2,输出UUURR(举个例子,并非一定是这样),其他舍去

        Ⅲ 需要利用组合数的相关知识进行求解,先求解y方向上的所有可能

        利用for循环枚举所有的可能,假设D删除i步,U删除j步, 则所有可能情况为:C(U,j)*C(D,i)

        假设x>0,需满足:(U-j)-(D-i)= x        即:j = U - D + i -x        即:U-j = D + x - i             

        假设x>0,需满足:(D-i)-(U-j)= -x        即:j = U - D +i -x        即:U-j = D + x - i

    for(int i=0;i<=n;i++){
        ansx+=C(ctu,ctd+x-i)*C(ctd,i)%mod;
        ansy+=C(ctr,ctl+y-i)*C(ctl,i)%mod;
    }

        发现结果相同,因此不必分开讨论x的情况来计算,因为组合数中C(U,j)与C(U,U-j)等价的,所以最终结果就是:C(U,D+x-i)*C(D,i)

        这里为什么是D删除i步,而不是U呢,其实都可以,看自己的喜好,再假设U删i步,D删j步

        假设x>0,需满足:(U-i)- (D-j)= x        即:j = x + i + D - U        即:D-j = U - x - i    

        假设x<0,需满足:(D-j)-(U-i)= -x        即:j = x + i + D - U        即:D-j = U - x - i

    for(int i=0;i<=n;i++){
        ansx+=C(ctu,i)*C(ctd,ctu-x-i)%mod;
        ansy+=C(ctr,i)*C(ctl,ctr-y-i)%mod;
    }

x方向的结果以及结论类似,求解后把两个情况相乘(求解过程注意保证%mod,避免结果溢出)

2.函数

(1)快速幂函数,即求a^b(a的b次方)

int qpow(int a, int b){
    int t = 1;
    int y = a;
    while(b){
        if(b&1){
            t = (t*y)%mod;
        }
        y = (y*y)%mod;
        b>>=1;    // 向右移一位,相当于b/=2
    }
    return t;
}

(2)利用逆元求解组合数

const int mod = 1e9+7,N = 1e6+10;
int a[N],b[N];    // a[i]表示i的阶层,b[i]表示i的逆元

void init(){
    int n = 1e6;
    a[0]=1;
    b[0]=1;
    for(int i=1;i<=n;i++){
        a[i] = a[i-1]*i%mod;
    }                               // 利用费马小定理求解n!的逆元x
    b[n] = qpow(a[n],mod-2);        // n!*x 三 1 (mod p)    n!^p-1 三 1 (mod p)
    for(int i=n-1;i>=1;i--){        // n!*x 三 n!^n-1    x 三 n!^p-2
        b[i] = b[i+1]*(i+1)%mod;    // n!的逆元为n!^(mod-2)    (n-1)!的逆元为n*n!^(mod-2)
    }
}

int C(int m, int n){
    if(n>=0&&m>=n){
        return a[m]*b[n]%mod*b[m-n]%mod;    // 两个阶层相乘后就要取mod防止溢出
    }else{
        return 0;
    }
}

        1>什么是逆元:如果一个线性同余方程ax 三 1(mod b),称x为 a mod b 的逆元;即一个数有逆元x,除以这个数a,相当于乘以x

        2>费马小定理:若p为质数,a为正整数,且a、p互质,则a^p-1 三 1 (mod p)

        3>C(m,n) = m! / (m-n)! * n!

3.完整代码

#include <bits/stdc++.h>
#define int long long 
using namespace std;

const int mod = 1e9+7,N = 1e6+10;
int a[N],b[N];

int qpow(int a, int b){
    int t = 1;
    int y = a;
    while(b){
        if(b&1){
            t = (t*y)%mod;
        }
        y = (y*y)%mod;
        b>>=1;
    }
    return t;
}


const int mod = 1e9+7,N = 1e6+10;
int a[N],b[N];

void init(){
    int n = 1e6;
    a[0]=1;
    b[0]=1;
    for(int i=1;i<=n;i++){
        a[i] = a[i-1]*i%mod;
    }
    b[n] = qpow(a[n],mod-2);
    for(int i=n-1;i>=1;i--){
        b[i] = b[i+1]*(i+1)%mod;
    }
}

int C(int m, int n){
    if(n>=0&&m>=n){
        return a[m]*b[n]%mod*b[m-n]%mod;
    }else{
        return 0;
    }
}

void solve(){
    int n,x,y,nx,ny;
    cin>>n>>x>>y;
    string s;
    cin>>s;
    int ctu=0,ctd=0,ctl=0,ctr=0;
    for(auto c:s){
        if(c=='U')ctu++;
        if(c=='D')ctd++;
        if(c=='L')ctl++;
        if(c=='R')ctr++;
    }
    if(x>0&&ctu<x){cout<<"NO"<<endl; return ;}
    if(x<0&&ctd<-x){cout<<"NO"<<endl; return ;}
    if(y>0&&ctr<y){cout<<"NO"<<endl; return ;}
    if(y<0&&ctl<-y){cout<<"NO"<<endl; return ;}
    cout<<"YES ";
    nx = x;
    ny = y;
    for(auto c:s){
        if(nx>0&&c=='U'){nx--,cout<<"U";}
        if(nx<0&&c=='D'){nx++,cout<<"D";}
        if(ny>0&&c=='R'){ny--,cout<<"R";}
        if(ny<0&&c=='L'){ny++,cout<<"L";}
    }
    int ansx=0,ansy=0;
    for(int i=0;i<=n;i++){
        ansx+=C(ctu,i)*C(ctd,ctu-x-i)%mod;
        ansy+=C(ctr,i)*C(ctl,ctr-y-i)%mod;
    }
    ansx%=mod;
    ansy%=mod;
    cout<<" "<<ansx*ansy%mod<<endl;
}

signed main(){
    init();
    int t;
    cin>>t;
    while(t--){
        solve();
    }
}

D.小红的差值构造 - easy+hard+extreme

(https://ac.nowcoder.com/acm/contest/91072/D)

1.思路       

        当l<=n的时候,让x和y在数组n的中心mid处,对称分布在mid的左右两侧时,f最小

        当l>n的时候,让x分布在中心mid处,y在x+l处,可使得,f最小

        在计算f的时候需要计算三个区间,即x的左侧,y的右侧和x、y之间的区间

        当l<=n时,x的左侧和y的右侧都是等差数列,直接计算即可。x、y之间的区间,元素个数为偶数时,就是两个等差数列,元素个数为奇数时,是中间元素+两个等差数列

        当l>n时,可以得出y一定是在n元素的右侧且x、y之间的元素都是距x更近,所以要计算的区间剩下x的左侧和x、y之间。x的左侧就是等差数列直接计算,x的右侧也是等差数列直接计算

2.函数

(1)计算等差数列前n项和(x可能在0处,因此x左侧元素值无需计算返回0)

int cal(int x){    
    if(x<=0){
        return 0;
    }
    return (1+x)*x/2;
}

(2)计算x、y之间元素和

int calmid(int x){    // 元素个数
    int mid = x/2+x%2;
    if(x%2!=0){
        return mid+2*cal(mid-1);
    }else{
        return 2*cal(mid);
    }
}

3.完整代码

#include <bits/stdc++.h>
#define int long long
using namespace std;

int cal(int x){
    if(x<=0){
        return 0;
    }
    return (1+x)*x/2;
}

int calmid(int x){
    int mid = x/2+x%2;
    if(x%2!=0){
        return mid+2*cal(mid-1);
    }else{
        return 2*cal(mid);
    }
}

void solve(){
    int n,l;
    cin>>n>>l;
    int mid = n/2+n%2;
    if(n>=l){
        int x = mid - l/2;
        int y = x + l;
        cout<<x<<" "<<y<<" "<<calmid(y-x-1)+cal(x-1)+cal(n-y)<<endl;
    }else{
        int x = mid;
        int y = mid + l;
        cout<<x<<" "<<y<<" "<<cal(x-1)+cal(n-x)<<endl;
    }
}

signed main(){
    int t;
    cin>>t;
    while(t--){
        solve();
    }
}
YOLOv8改进 | 细节涨点篇 | DySample一种超级轻量的动态上采样算子(效果完爆CARAFE) 本文给大家带来的改进机制是一种号称超轻量级且有效的动态上采样器——DySample。与传统的基于内核的动态上采样器相比,DySample采用了一种基于点采样的方法,相比于以前的基于内核的动态上采样器,DySample具有更少的参数、浮点运算次数、GPU内存和延迟。此外,DySample在包括语义分割、目标检测、实例分割、全景分割和单目深度估计在内的五个预测任务中,性能均优于其他上采样器(截至目前最有效的上采样算子)。 阅读详情

相关推荐

二、声明式 Pipeline 语法

选择型参数,一般用于给定几个可选的值,然后选择其中一个进行赋值,例如:parameters { choice(name: ‘CHOICES’, choices: [‘one’, ‘two’, ‘three’], description: ‘’) },表示定义一个名为 CHOICES 的变量,可选的值为 one、two、three;默认情况下,如果定义了某个 stage 的 agent,在进入该 stage 的 agent 后,该 stage 的 when条件才会被评估,但是可以通过一些选项更改此选项。

Cyan_Jiang的博客 1220

C语言 非负整数十进制转换

十进制转换是计算机科学中的一个基本概念, 涉及到不同进制数制之间的转换。c=c/(所需要转换成的进制数);//输入十进制的非负整数。t=t/(所需要转换成的进制数);c=c*(所需要转换成的进制数);b=b%(所需要转换成的进制数);if(a==0)//判断是否为0。现在讲讲非负整数的十进制转换。

2401_87650731的博客 311

SAP固定资产原值与净值取值逻辑全解析:从数据表到ABAP实战

在企业资源计划(ERP)系统中,固定资产的价值管理是财务会计的核心模块,其关键在于准确核算资产原值与净值。从技术原理上看,这涉及对资产全生命周期业务(如购置、折旧、转移、报废)的财务建模,以及底层数据表(如ANLC、ANEP)的精准关联与计算。掌握这一逻辑的技术价值在于,能够确保财务报表数据的准确性,满足合规性要求,并为管理决策提供可靠依据。在SAP ECC或S/4HANA系统的应用场景中,ABAP开发者与财务顾问常需通过编写报表程序,从复杂的数据结构中提取资产价值信息。本文聚焦于SAP资产会计模块,深入剖

weixin_30984001的博客 393

将非负十进制整数n转换成b进制。(其中b=2~16)

要将十进制数转换成其他进制,其实就是用这个十进制n数除以要转换成的那个进制数b,然后得到的余数组成b进制数。不过要注意的是在取的模值大于9时要转换成英文字母,比如16进制的FF。 #include<iostream> #include<vector> #include<cstdlib> #include<algorithm> using namesp...

could9的博客 371

从零到一:3D-ResNet50在医学影像中的实战陷阱与避坑指南

本文深入探讨了3D-ResNet50在医学影像分类中的实战应用,重点解析了NIFTI数据预处理、小样本迁移学习陷阱及GPU显存优化等关键问题。通过分块加载、混合精度训练等技巧,有效解决了医学影像处理中的内存管理和性能挑战,为开发者提供了实用的避坑指南和优化策略。

weixin_29038345的博客 390

三维(点云)语义分割概述以及方法总结

语义分割 语义分割需要两部分 classification: 需要全局信息 segmentation:更加依赖全局信息和局部信息 一般的网络结构是: 提特征-特征映射-特征图压缩(降维)-全连接-分类,其实就是encoder-decoder的过程, 比如在二维的的pspnet,fcn等等 0. 三维表示的数据结构 Point cloud 无序性 点云实际上是无序的,比如有8个点云,你放到...

renhaofan的博客 3万+

将非负十进制整数n转换成b进制

题目1:将非负十进制整数n转换成b进制。(其中b=2~16) 算法设计思路: 递归:让输入的十进制数和所需要转化的几进制数输入递归体,再将每一步的运算结果储存起来,最终逆序输出,递归体为:x[m]=a%b;m++;f(a/b,b);递归出口:a<b。 非递归:利用%和/将数值一步步储存,之后逆序输出,在数组内部判断值是否大于9,大于9的话就会用大写字母输出。 栈结构: ...

zhang12369的博客 1476

手把手搭建你的第一个OCT仿真模型:用Python和光学仿真库重现A-SCAN信号

本文详细介绍了如何使用Python和光学仿真库搭建OCT仿真模型,重现A-SCAN信号。从环境配置、干涉仪建模到信号处理全流程,手把手教你实现光学相干层析成像的核心技术。通过代码示例和性能优化技巧,帮助开发者深入理解OCT原理并应用于医疗诊断等领域。

weixin_42562079的博客 240

牛客周赛 Round 61

本次的竞赛参加得还算及时,拿出了比较好的状态,把自己平时学的东西,展示了出来。但是,真正能成为“牛”的人还是远远不够的,还只是“客”,而不是“牛”,任重而道远,加油吧!一步一步地努力!相信那些看似平常的日复一日,终有一天会让我们看到坚持的意义。

2301_80098422的博客 1309

李宏毅2025《机器学习》第一讲-生成式AI:技术突破和未来发展

本文基于台湾大学李宏毅教授的“一堂课搞懂生成式人工智慧的技术突破与未来发展”课程内容,系统性地梳理了生成式AI的核心概念、技术原理、发展演进以及未来趋势。文章从AI的“行为”入手,通过生动的实例展示了其强大的生成与推理能力;进而深入剖析其底层运作机制,阐释了“万物皆为令牌(Token)”、自回归生成、Transformer架构等核心原理;接着,文章追溯了通用AI模型从“专才”到“通才”的演进历程;最后,探讨了如何通过微调(Fine-tuning)、模型编辑(Model Editing)等技术赋予AI新的能力

木鱼时刻的专栏 2295

【WLAN】【调试】再谈如何使用Wireshark解密WiFi数据包——使用TK信息

- 本文介绍了一种wireshark使用TK信息解密空口报文的方式,该方式对是否有关联过程的报文没有要求。

一介草民,只为生活。 1187

牛客周赛 Round 61(思维、组合数)

牛客周赛 Round 61(思维、组合数)

mldl_的博客 1183

innovus:ccopt_design分段长tree操作

这步don't touch保证后面完整cts尽量不会动到已经长过的tree。需要给sub tree手写一个spec,参考create_ccopt_clock_tree_spec -file的写法,只写create_ccopt_clock_tree和skew group部分就行。

m0_61544122的博客 1677

牛客周赛 Round 61 (C++实现)

本文将讲解牛客周赛 Round 61的前3题

Yui_的博客 1483

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

牛客周赛 Round 55

牛客周赛Round 55

学校题目记录日常 1581

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

牛客周赛 Round 3

菜鸟的第一次AK,真不错

m0_62784756的博客 882

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

牛客周赛118 D

链接:https://ac.nowcoder.com/acm/contest/121952/D 来源:牛客网 小红正在和小紫玩游戏。\hspace{15pt}现在有 nnn 堆石子,小红每次会拿走一整堆石子,小紫每次会从所有还有石子的堆中各拿一个石子,小红先手,轮流行动。她们都希望自己拿到的石子尽可能多。我们认为小红和小紫都会以最优策略进行游戏,请问小红最后会拿到多少石子? 第一行输入一个整数 n(1≦n≦2×1e5)。 第二行输入 n 个整数 a1,a2,a3,…,an(1≦a

hjx20254350118的博客 251

牛客周赛 Round 76

高一位为 0 当前位为 1 的位置,将该位置的 1 与高一位的 0 交换位置,并且之前枚举到的所有 1 从第 0 位向高位开始放置。,其实将所有的元素取最大公约数 小于等于 任意一对数取最大公约数,答案就是。我们知道 x 与 y 一一对应。我们可以用 dp 来求符合条件的最长的序列。开头的符合条件的最长序列, 我们知道 x 与 y 一一对应,那么 以。开头的符合条件的最长序列中第二个数 一定是。就是在二进制下,从低位向高位枚举,找到。要求最小的数组元素之和,那么找出最小的。子串短,就越可能出现更多次数。

weixin_65535353的博客 679

牛客周赛 Round 77 题解

那么这个权重一定在二进制的某一个位上有着相同的1(与运算全1出1,有0出0),因此可以使用并查集来维护这个有着二进制位同为1的集合,就是如果这个两个数可以在同一个社交网络,那么这个两个数所在的两个集合也可在同一个社交网络。,子串的自审值为0的情况只有一种可能,那就是这个子串全是0,故此我们可以用【核心思路】来快速求自审值的和,因为自审值只可能是0或1,所以有字符1的子串的个数即为答案。,这就是线性同余算法,也就是若y可以被a和b的最大公约数整除,那么y就一定通过a和b两个数字构造出来,x也是同理。

CNew333的博客 1395

牛客周赛 Round 25

小红去淘宝买了n件物品,第i件物品价格是ai,其中部分物品小红不满意选择退货,退货可以原价退但需要收取max(5,⌊ai / 100⌋)的运费。小红想知道自己最终花费了多少钱。⌊x⌋代表对 x 向下取整。例如:⌊3.7⌋=3。

lianxuhanshu_的博客 1402

牛客周赛 63 E 小红的red计数

运用前缀和的前缀和解决前缀和的难题

weixin_74126658的博客 1115

牛客周赛 Round 4 (ioi赛制 BCD题解)

思维思维。

m0_73557680的博客 867

牛客周赛 Round 4---游游的因子计算

【代码】牛客周赛 Round 4---游游的因子计算。

陈进士学习的博客 356

牛客周赛 Round 66 —— D.小苯的蓄水池(easy)

【代码】牛客周赛 Round 66 —— D.小苯的蓄水池(easy)

2401_82757880的博客 315

【OJ比赛日历】快周末了,不来一场比赛吗? #11.12-11.18 #12场

实时聚合多平台的(Kaggle、天池…)和(Leetcode、牛客…)比赛。本账号同时会推送最新的比赛消息,欢迎关注!更多比赛信息见或 点击文末以下信息仅供参考,以比赛官网为准。

CompHub的博客 288

算法竞赛从入门到入门(ACM-XCPC、蓝桥杯软件赛等)

算法竞赛从入门到跳楼(ACM-XCPC、蓝桥杯软件赛等)

2302_79354434的博客 399
上一篇: 机器学习之主成分分析
下一篇: 牛客周赛62
AstronomyFirst
博客等级 码龄4年 195粉丝 17原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值