墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
502平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
NOIP 2001真题，二分法考点应用，重点理解二分思想应用。GESP 五、六级考生可以练习。题目难度⭐⭐★☆☆，洛谷难度等级普及−。
题目题解详见：https://www.coderli.com/noi-p-2001-luogu-p1024/
https://www.coderli.com/noi-p-2001-luogu-p1024/
https://www.coderli.com/noi-p-2001-luogu-p1024/
玩转Matlab-Simscape（初级）-01-从一个简单模型开始学习之旅
本文从初学者的角度分享的关于Matlab simscape 的基础内容，简单分享了Simscape搭建模型，创建子系统，修改定义参数等内容，为将来深入学习和使用simscape做铺垫。
CSP J1 CSP-S1 初赛 第1轮 阅读程序 第三章 入门篇 4、NOIP2001
CSP J1 CSP-S1 初赛 第1轮 阅读程序 第三章 入门篇 4、NOIP2001
电子取证之服务器取证思路
服务器取证是一个技术性很强的领域，涉及到多个环节，包括网站重构、网站代码分析、容器分析等。数据库密码的获取通常通过查看配置文件、日志文件、备份等途径，同时可以通过一些绕过技术如禁用身份验证来获取权限。对于不同的数据库，需要根据其特性采取相应的应对方法和命令。
装箱问题 NOIP2001普及组
【题目描述】 有一个箱子容量为V(正整数，0≤V≤20000），同时有n个物品（0≤n≤30),每个物品有一个体积（正整数）。要求从n个物品中，任取若干个装入箱内，使箱子的剩余空间为最小。 【输入】 第一行是箱子的容量,第二行是n(表示n有n个物品),接下来n行是n个物品的体积。 【输出】 最小空间 【输入样例】 24 6 8 3 12 7 9 7 【输出样例】 0 算法解析 一道经典的01背包问题。先枚举物品体积，再枚举花费，完成决策 状态转移方程：f[j]=max
消费级显卡跑大模型：RTX 3060 12G 部署 70 亿参数 AI 编程助手的优化实战
本文详细介绍了如何在消费级显卡RTX 3060 12G上，通过量化、投机解码和分页KV-Cache等核心优化技术，成功部署并流畅运行70亿参数的CodeLlama-7B编程助手。文章提供了从环境配置、模型准备到参数调优的完整实战笔记，实测显存占用降至7.3GB，生成速度达21.7 token/秒，为开发者和技术爱好者提供了可行的本地AI部署方案。
ENSP从下载到运行：用虚拟机搭建华为认证实验环境全流程（含USG6000V镜像配置）
本文提供了一份详细的华为ENSP仿真平台从下载、安装到配置USG6000V防火墙镜像的完整指南。内容涵盖前置软件安装、ENSP主程序配置、核心设备镜像导入及虚拟机资源分配策略，旨在帮助网络工程师和学习者快速搭建一个稳定、功能齐全的华为认证实验环境，为备考和模拟企业网络部署打下坚实基础。
算法小白的努力之路———洛谷刷题打卡 ———— 二分查找与二分答案
二分查找，二分答案，高精度二分
Ubuntu20.04实时内核补丁PREEMPT_RT编译与安装全流程解析
本文详细解析了在Ubuntu20.04系统上编译与安装实时内核补丁PREEMPT_RT的全流程。从内核与补丁版本匹配、编译环境准备，到内核配置、编译排错，再到最终安装、验证与进阶优化，提供了手把手的实战指南，旨在帮助机器人、工业控制等对实时性有苛刻要求的开发者构建低延迟、高确定性的Linux系统。
洛谷《深入浅出基础篇》题解-1（C语言）
洛谷题单深入浅出基础篇，入门1至入门6部分
LEF 5.8 Language Reference学习笔记
您可以在一个 LEF 文件中定义所有元件库信息，但这样会产生一个复杂且难以管理的大文件。相反，您可以将信息分为两个文件，一个是 "technology "LEF 文件，另一个是 "cell library "LEF 文件。
OpenAI Function Calling 实战：让 Agent 自动调用外部 API 接口
在 2023 年 6 月之前，大语言模型（LLM）的能力边界是清晰的：它能说会道，能写诗作赋，也能帮你润色文案。但如果你问它"北京现在天气怎么样"，它要么答不上来，要么基于过时的训练数据给你一个错误答案。原因很简单——LLM 的训练数据是有截止日期的，它活在"过去"。2023 年 6 月，OpenAI 在 GPT-4 的更新中引入了 Function Calling 功能，彻底改变了这一局面。Function Calling（也叫 Tool Use 或工具调用）是一种让 LLM 与外部系统交互的机制。
视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界
在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
把 KV Cache 压到 FP4：BitDecoding-FP4 的算法-系统协同设计复盘
长上下文推理卡在KV Cache的显存与带宽上，而现有FP4方案要么精度崩、要么速度废。这篇文章复盘BitDecoding-FP4如何用三个算法补丁加一个系统重构，在B300上把服务吞吐提升2.4–3.0倍，精度几乎不掉。
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');```[](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。
【算法拾光】链表 哈希表｜K个一组翻转链表 + 两数之和
K个一组翻转链表需分段反转，借助哑节点与前驱指针维护连接，避免断链；两数之和利用哈希表实现O(1)查找，空间换时间，高效定位目标组合。前者考察链表指针操作，后者聚焦映射关系构建，均为面试高频题。
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
排序算法深度笔记（下）：非比较类排序的线性突破与工程边界
排序算法时间复杂度额外空间复杂度稳定性是否基于比较选择排序O(N^2)(O(1))不稳定是冒泡排序O(N^2)(O(1))稳定是插入排序O(N^2)(O(1))稳定是归并排序O(N\log N)(O(N))稳定是快速排序O(N\log N)O(log N)不稳定是堆排序O(N\log N)O(1)不稳定是计数排序(O(N + M))O(M))稳定否基数排序O(N)稳定否桶排序平均O(N) / 最坏O(N^2)
优选算法：分治-归并排序
交易逆序对的总数
算法日常・每日刷题--＜动态规划＞42
本题为“不相交的线”，与最长公共子序列问题相似。使用动态规划求解：定义 dp[i][j] 表示 nums1[0:i] 与 nums2[0:j] 的最大不相交连线数。若元素相等，则继承左上值加1；否则取上方或左方最大值。最终返回 dp[m][n]，即两数组的最大不相交连线数。时间复杂度 O(mn)，空间复杂度 O(mn)。
408 算法 06｜堆与 Top-K：最小的 10 个数，到底该用数组还是堆
2022(42) 找 100 万个数里最小的 10 个，官方给了"10 元素有序数组"和"大根堆"两种答案。我把两种都实现并数了比较次数：k=10 时两者几乎打平，k=10000 时堆少 111 倍。另附 2021(42) 计数排序的比较次数与稳定性实测。
408 算法 04｜主元素与三元组最小距离：两种“扫描时做决定“的思路
2013(41) 的主元素用摩尔投票一遍选出候选，但真正的考点是"选完必须验票"；2020(41) 的三元组最小距离，三指针每次只挪最小的那个，靠的是 D=2×(max−min) 这个恒等式。两套完整 C 代码加真实输出，附官方评分档位表。
牛客周赛165C题(前后缀性质，递推，排序，枚举)
题目大意：给定长度为 `n` 的数组，选择 `k ∈ [1,n]`，将前 `k` 个元素整体翻转，后面的元素不变。要求操作后的整个数组非递减，统计满足条件的 `k` 的数量。题目链接：https://ac.nowcoder.com/acm/contest/141721/C。时间复杂度：O(nlogn)
【MPC 算法】Python 实战：模型预测控制（MPC）算法原理与代码实现
本文介绍模型预测控制（MPC）原理与Python实现。MPC通过滚动优化预测未来状态，结合系统模型、目标函数与约束条件，动态生成最优控制序列。以一阶温度系统为例，使用CVXPY构建凸优化问题，实现加热功率的智能调控。代码包含模型预测、目标函数设计（含温度跟踪与控制平滑惩罚）、输入约束及滚动更新机制。仿真结果表明，MPC能快速稳定温度至目标值60℃，且控制动作平滑合理，体现其在复杂系统中的优越性。
算法61，判定是否为字符重排
两字符串能互为重排 ⇔。
算法日常・每日刷题--＜动态规划＞32
给定严格递增的正整数数组，求最长斐波那契子序列长度。使用二维DP，dp[i][j]表示以arr[i]、arr[j]为最后两项的序列长度，初始化均为2。通过哈希表快速查找前一项target = arr[j] - arr[i]，若存在且下标小于i，则状态转移：dp[i][j] = dp[k][i] + 1。遍历更新全局最大长度，最终若结果小于3则返回0。时间复杂度O(n²)，空间复杂度O(n²)。
【前缀和+复合离散化】题解：双色矩形(two)_数据结构_算法优化_预处理_二维前缀和_STL_C++算法竞赛
给定一个 $n \times n$ 的黑白棋盘，初始按 $i+j$ 奇偶染色，经 $k$ 个格子颜色翻转后，求子矩形中黑白格子数差的绝对值最大值。由于 $n$ 可达 $10^9$，但 $k \leq 50$，可离散化关键点。枚举所有由修改点构成的矩形及其四边向外扩展（共 $16$ 种扩展方式），利用二维前缀和快速计算变化量，结合奇偶性判断多出的格子颜色，最终取最大绝对差。时间复杂度为 $O(k^4)$，在 $k \leq 50$ 下可行。
算法札记：几何分布在算法题UVA1262的运用
集卡问题求解核心：将集齐n种优惠券的过程分为n个阶段，每个阶段期望购买次数为 $ \frac{n}{k} $（k为剩余种类数），总期望为 $ n \cdot H_n $（调和数）。通过自洽方程推导单阶段期望，无需几何分布或无穷级数，逻辑清晰且适用于大一水平。例如，n=5时期望约11.42，非5。题目要求以带分数形式输出精确结果，算法上需累加分数并化简。
算法62&&63，存在重复元素
判断整数数组中是否有任意元素出现至少两次。：判断数组中是否存在两个。，且索引差值的绝对值。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6524
扫一扫
