自用PTA题目记录0018

MC68HC908GZ系列MCU I/O端口与ESCI模块配置详解与避坑指南 在嵌入式系统开发中,微控制器的通用输入输出(GPIO)和串行通信接口(UART/SCI)是连接外部世界与核心处理器的关键桥梁。GPIO通过数据方向寄存器、数据寄存器和上拉使能寄存器实现灵活的引脚控制,其核心原理在于通过配置寄存器位来控制内部MOSFET驱动电路,从而设定引脚为输入、输出或复用功能。这种设计使得MCU能够高效地与传感器、执行器及人机接口设备交互,其技术价值在于提供了可编程的硬件抽象层,极大提升了系统设计的灵活性与可靠性。在实际应用中,GPIO广泛用于按键检测、LED驱动、继电器控制等场景,而串 阅读详情

自用PTA题目记录0018

以下题目序号并无实际意义


7-19 4.25-输出层数的倒金字塔

题目作者: 张伟 单位: 杭州职业技术学院 代码长度限制: 16 KB 时间限制: 400 ms 内存限制: 64 MB

编写一段程序,像下面这样显示输入整数层的向下的金字塔形状。
第 i 行显示 i%10 的结果。
-----出自【明解C语言】练习4-25.

让我们来画一个向下的金字塔。
金字塔有几层:3
11111
  222
    3

输入样例:
3

输出样例:
让我们来画一个向下的金字塔。
金字塔有几层:
11111
  222
    3

代码

#include <iostream>

using namespace std;

int main(int argc, char const *argv[])
{
    int len;
    cin >> len;

    cout << "让我们来画一个向下的金字塔。\n金字塔有几层:" << endl;

    for (int i = 1; i <= len; i++)
    {
        for (int j = 1; j <= i - 1; j++)
        {
            cout << " ";
        }

        for (int k = 1; k <= (len - i + 1) * 2 - 1; k++)
        {
            cout << i % 10;
        }
        cout << endl;
    }

    return 0;
}

总结

虽然C++苦手,不过这点程度还是勉强能写一写的
┓( ´∀` )┏

PTA提交通过截图
在这里插入图片描述

明解C语言入门篇第三版练习代码(部分)------第二/三/四章 今年刚开始学C语言,整本书已经看过敲过了一遍了,现在把一些重难点代码再记一遍,整本书再看完就开始中级篇的学习。 前面的内容比较基础,所以这次复习前面几章我并没有每个都再敲一遍。 第一次发表博客,难免经验不足,如果代码有问题或者有更好的建议,欢迎大家留言讨论! 在这里插入代码片 练习代码 2-5 //编写一段程序,像右边那样读取两个整数的值,计算出前者是后者的百分之几,并用实数输出结果。 #include <stdio.h> int main () { int a,b; printf 阅读详情

相关推荐

第五章第十七题(显示金字塔)(Display pyramid)

下面是参考答案代码: 运行效果: 注:编写程序要养成良好习惯 1.文件名要用英文,具体一点 2.注释要英文 3.变量命名要具体,不要抽象(如:a,b,c等等),形式要驼峰化 4.整体书写风格要统一(不要这里是驼峰,那里是下划线,这里的逻辑段落空三行,那里相同的逻辑段落空5行等等) 5.普通变量,方法名要小驼峰,类名要大驼峰,常量要使用全部大写加上下划线命名法 6.要学习相应的代码编辑器的...

xjlovewjh的博客 2857

PTA 数字金字塔 (10 分)

1 121 12321 1234321 123454321

m0_63168284的博客 4090

信息处理技术员考试说明

信息处理技术员考试说明 信息处理技术员 考试说明 等考 软考

PTA简单循环打印数字金字塔 (8 分)

本题目要求读入一个正整数n(n<10),然后输出n层的数字金字塔。具体格式参见输出样例,注意每行数字末尾无空白符,而某些行的数字前面按规律有英文空格符: 输入格式: 输入一个正整数n(n<10)。 输出格式: 输出n层的数字金字塔。 输入样例: 在这里给出一组输入。例如: 6 输出样例: 在这里给出相应的输出。例如: 1 222 33333 4444444 555555555 66666666666 python代码: a=input() a=int(a) for i in

zw12128的博客 7968

利用HFSS仿真优化圆极化微带天线的耦合馈电设计

本文深入探讨了利用HFSS仿真软件优化圆极化微带天线性能的关键方法。通过对比传统直接馈电与耦合馈电方式,详细阐述了耦合馈电在提升阻抗匹配、改善轴比带宽及增强设计鲁棒性方面的显著优势。文章结合FR4板材的实战案例,逐步演示了在HFSS中建立模型、进行参数扫描与圆极化性能优化的完整流程,为设计高性能、高纯度的圆极化天线提供了实用指南。

weixin_29233333的博客 547

AI工程化之生成式UI & A2UI(二)

本文介绍了生成式UI框架A2UI的架构设计与核心实现。项目采用AI协作开发模式,通过ATDD(AI驱动的测试驱动开发)确保代码质量。前端SDK基于zustand实现框架无关的状态管理,包含协议解析器、存储管理、渲染器等核心模块。重点展示了基础store构建、A2UI协议解析器的实现过程,包括mock数据准备、测试用例生成和可视化调试。项目采用monorepo管理,利用vite实现高效开发构建。整个系统设计遵循模块化原则,通过清晰的接口定义实现各组件解耦,为后续功能扩展打下基础。

qq_34306228的博客 407

输出倒金字塔

然后后面我们来做倒金字塔的,思路是* (后面有空格)这里我们遵循化繁为简,先死后活的思路。然后我们用scanf将它复杂化。两个for循环来解决问题。

Stringzhua的博客 1661

避坑指南:企业微信IP白名单设置失败的5种常见原因及解决方案

本文深入解析企业微信API调用中IP白名单设置失败的5种常见原因,包括动态公网IP变更、代理服务器导致的IP失真等,并提供针对性的解决方案。特别针对可信IP配置问题,详细介绍了诊断方法和Java代码示例,帮助企业开发者快速解决访问限制问题,确保API调用安全稳定。

weixin_29280657的博客 619

c语言pta打印多层金字塔

pta 打印多层金字塔(c语言)

2301_80067946的博客 714

YOLO11改进|注意力机制篇|引入先验卷积注意力机制CPCA

YOLO11中添加先验卷积注意力机制CAPA

A1983Z的博客 2375

EndNote X9 参考文献附录列表 格式调整

EndNote X9 插入参考文献常见问题总结

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 2570

倒金字塔

题目: 输入一个奇数n和一个字符串s,并通过s打印出一个金字塔形状。金字塔的底端有一个单个的s,每行增加两个s,最后一个包含n个。 代码: import java.util.Scanner; public class invertedPyramid { private static Scanner in2; /** * 按要求输入金字塔 * @param ...

星空 1636

【人脸识别/轻量级模型】MobileFaceNet:适用于人脸识别的轻量级网络模型(文末附pytorch代码)

MobileFaceNet:用于人脸识别的轻量级网络模型

Roaddd的博客 6990

MC68HC08KH12 GPIO与定时器实战:从寄存器配置到PWM与脉冲测量

通用输入输出(GPIO)和定时器是嵌入式微控制器的两大核心外设,构成了与物理世界交互的基础。GPIO通过数据方向寄存器和数据寄存器控制引脚的输入输出状态,其配置顺序直接影响信号质量,避免毛刺是关键。定时器则通过计数器、预分频器和比较/捕获寄存器,实现精确的时间基准、PWM波形生成和事件时间测量。这些底层硬件原理是驱动稳定性的基石,广泛应用于电机控制、传感器接口和通信协议等场景。本文以经典的MC68HC08KH12微控制器为例,深入解析其GPIO端口特性、定时器模块的输入捕获与输出比较机制,并通过实战代码演示

weixin_30600197的博客 367

告别Python中间件!C#原生调用YOLOv11/v12:工业视觉检测零语言壁垒全流程

本文介绍了一种基于C#和ONNX Runtime的工业视觉检测解决方案,解决了传统YOLO模型在工业应用中面临的三大痛点:语言壁垒、性能损耗和模型更新困难。该系统采用三层架构设计,支持C#原生调用YOLO模型,无需中间件,性能损耗低于5%,满足工业产线30FPS+的实时性要求。文章详细阐述了环境搭建、模型导出规范、核心代码实现及工业级优化方案,提供可直接用于生产环境的完整流程,实现了训练与部署的解耦,显著降低了维护成本。该方案兼容主流YOLO版本,支持全平台部署,为工业视觉检测提供了高效可靠的C#集成方案。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 187

vectorCast——Probe point 功能实现故障注入,局部变量打印,断点调试。

选择一个测试用例,选择coverage窗口进行查看。点击edit probe point,如图所示绿色的小圆圈。 选代码中选择需要打断点的地方进行点击。黑色的小圆点都可以选。 点击黑色小圆点,小圆点变绿,表示打断点成功。 此时就可以根据自己的需求在打断点的位置编写一些C语言的命令语句。 点击编译,成功会弹出窗口显示编译成功,失败会在下方报错error,并显示错误的原因。 点击应用保存,选择yes to all就可以了。 点击用例执行就可以看到打断点情况下的执行结果了。

weixin_59334478的博客 2077

optee介绍(一)代码下载编译以及使用qemu运行

本文主要介绍了optee代码的下载编译以及使用qemu运行,以及此过程中可能遇到的问题及解决方案。本文着重介绍手动下载代码方式,主要针对repo下载方式因为万络原因容易失败的情况,若是网络好,可使用repo下载会更方便。

Fifty的博客 2126

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

截止2026年8月通过国家信息安全测评/信息技术产品安全测评的产品(信创产品)

weitingfu的博客 176

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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")

输出金字塔图形

Description 请编写程序输出金字塔图形。 Input 输入一个正整数n。 Output 输出n层的金字塔。 #include&amp;amp;lt;stdio.h&amp;amp;gt; int main() { int i,j,n; scanf(&amp;quot;%d&amp;quot;,&amp;amp;amp;n); for (i=1;i&amp;amp;lt;=n;i++) \决定层数 { for (j=1;j&

z2431435的博客 1万+

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。

C语言中用for循环实现的倒金字塔

用c语言中for循环实现的倒金字和菱形。

m0_73892800的博客 2533

明解C语言入门篇 第四章 程序的循环控制 练习题答案

编写一段程序,像右面这样根据输入的整数,循环显示1234567890,显示的位数和输入的整数值相同。代码清单3-9是判断所输入的整数值的符号的程序,请将其改写为可以将输入·显示这一过程循环任意次。编写一段程序,对代码清单4-15进行修改,在显示所输入的整数值的所有约数之后,显示约数的个数。对代码清单4-10的程序进行修改,使其像右边这样在显示结果的同时显示输入的整数值。编写一段程序,输入一个整数,像右面这样显示出输入整数层的金字塔形状。编写一段程序,像右面这样显示出小于输入的整数的所有2的乘方。

weixin_47103329的博客 1730

编写程序,提示用户输入一个整数,然后显示一个金子塔形状的图案

import java.util.Scanner; public class chapt3 { public static void main(String[] args) { Scanner input = new Scanner(System.in); System.out.println("Enter the number of lines:"); int n = input.ne

冬青的专栏 1万+

PTA46题(Java基础练习)

Java作业练习(1) 这学期Java课的第一次作业嗷 (做完再删掉这句话) 我觉得可以 7-1 写一个程序,输出你的姓名、年龄、所在学院、所在专业、所在班级 写一个程序,输出你的姓名、年龄、所在学院、所在专业、所在班级。 输出样例: 姓名:张三 年龄:20 所在学院:计算机学院 所在专业:计算机科学与技术 所在班级:1班 public class Main{ public static...

qq_41260107的博客 9万+

数字金字塔

题目描述         考虑在下面被显示的数字金字塔。 写一个程序来计算从最高点开始在底部任意处结束的路径经过数字的和的最大。每一步可以走到左下方的点也可以到达右下方的点。   在上面的样例中,从7 到 3 到 8 到 7 到 5 的路径产生了最大和:30 输入 第1行:1个整数R(1 接下来共R行,第i行有i个整数。所有的数均非负的且不大于100。 输出 第

PGQ的博客 875

第六周练兵区——编程题——不计入总分

1绘制金字塔(4分) 要求用户从键盘输入一个大写字母,使用嵌套循环产生像下面这样的金字塔图案: A ABA ABCBA ABCDCBA 程序运行结果示例1: Please input a capital: D↙ ____A ___ABA __ABCBA _ABCDCBA 程序运行结果示例2: Please input a capital: F↙ ______A _____ABA ____ABCB...

qq_44648017的博客 3183
上一篇: 自用PTA题目记录0017
下一篇: 自用PTA题目记录0019
ELT_Core
博客等级 码龄7年 43粉丝 26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