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
400+累计阅读
491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
水题，直接LCS做法，不过不需要开数组，因为只需要判断能否完全匹配
直接上代码
#include<stdio.h>
#include<string.h>
char a[100010],b[100010];
int main(){
while(~scanf("%s%s",a,b)){
int l1=strlen(a),i;
int l2=strlen(b),j;
for(i=0,j=0;i<l1&&j<l2;++j)
i+=(a[i]==b[j]);
if(i==l1) puts("Yes");
else puts("No");
}
}双目相机测距原理
普通双目相机具有如下特点：左右两个相机位于同一平面（光轴平行），且相机参数（焦距f）一致。其原理图如下：如图所示，P点为相应的物体位置，CL和CR为左右相机光心位置，PL和PR分别为左相机和右相机拍摄的P点成像结果。f为相机焦距，Z为物体距相机的深度距离，b为左右相机基线距离根据几何关系有：则相应的深度信息计算公式为：（1）其中XL-XR为视差。其余在两侧的情况同样可以用几何关系分析得到该表达式（1）,即对于普通双目相机测距可以直接通过公式（1）得到深度结果。
POJ 1936 解题报告
这道题是求一个字符串是不是另一个字符串的子序列。刚开始是用DP写的，发现想复杂了，TLE。其实只用对s中的字符一个个在t中找，找到了就找下一个。在这个过程中s和t都不回头。 1936 Accepted 360K 16MS C++ 1027B /* ID: thestor1 LANG: C++ TASK: poj1936 */ #include #
MindIE与vLLM-Ascend性能对决：Qwen3在昇腾910B上的推理效率实测
本文深度对比了昇腾910B平台上两大推理框架MindIE与vLLM-Ascend的性能表现。通过实测Qwen3系列模型，详细分析了二者在单卡、多卡场景下的推理效率、扩展性及生产环境适用性，为AI算力基础设施选型提供关键参考。
POJ 1936(字符串匹配) 解题报告
POJ 1936(字符串匹配) 解题报告
波分复用技术原理
波分复用原理 把不同波长的光信号复用到同一根光纤中进行传送，这种方式我们把它叫做波分复用（ Wavelength Division Multiplexing ） 一根光纤被划分为多个波道，多个波长以一定的间隔隔开，在光纤中独立传输。 波分复用应用演示 如果将WDM系统看作交通系统，光纤可以看作是多个车道的公用道路。 各种类型的业务就像货物一样，被打包装载到车辆中。 车辆按照分配的车道行驶至目的地，完成货物的运输。 想要提高波分复用系统的传输容量，就要增加波道数量或是提升单波传...
大红球预警版-精选+自定义板块监控
这是一款简单易用的股票大单资金监控插件，兼容通达信软件，可嵌入分时图或定制版面。它以红绿圆球直观显示主力买卖情况（红球为买，绿球为卖），支持300万以上大单语音播报。插件提供实时资金流向分析、多股同时监控、自定义预警条件等功能，无需L2账号。用户可自由切换图形/列表模式，监控特定板块，并配合幻影软件实现自动交易。虽然上涨股通常红球占优，但需结合其他指标综合判断。该插件完全免费，包含详细视频教程，适合新手使用。
poj1936 全在其中
本来水题，由于没考虑周全，一直wa，现贴上代码，警戒自己。错误样例为:aa ab；#include <stdio.h> char s[100001]; char t[100001]; int main(void){ int i,j; while(scanf("%s %s",s,t)!=EOF){ i=0; j=0; while(s[i]&&t[j]){ ...
PyCharm 2023最新版安装配置全攻略（附永久激活教程）
本文详细介绍了PyCharm 2023最新版的安装配置全流程，包括版本选择、初始配置、插件生态、工程模板、调试优化及团队协作等关键步骤。特别针对专业版和社区版的功能差异进行对比，帮助开发者高效搭建Python开发环境，提升编码效率与团队协作能力。
poj 1936-串处理用for的模板
#include <cstdio> #include <cstdlib> #include <cstring> #include <cmath> #include <ctime> #include <iostream> #include <algorithm> #include <string> #in...
【腾讯小龙虾WorkBuddy专栏05】深度解析WorkBuddy连接器(Connector)
深度解析WorkBuddy连接器(Connector)
QNX系统中的密码哈希格式——数据安全深度分析
综上所述，QNX系统中的Shadowed密码哈希格式提供了一种有效的数据安全机制，能够保护用户密码的安全性。通过将用户密码的哈希值存储在系统文件中，并结合哈希算法和盐值的使用，可以有效地防止明文密码泄露和密码破解。密码哈希是一种常用的安全技术，用于将用户密码转换为不可逆的哈希值，以保护用户的敏感信息。在QNX操作系统中，存在一种称为Shadowed密码哈希格式的机制，用于存储用户密码的安全散列值。当用户登录系统时，系统会将用户输入的密码与保存的哈希值进行比对，以验证密码的正确性。在上述代码中，首先使用。
POJ 1936 字符匹配（水题）
题目链接： http://poj.org/problem?id=1936 题目大意： 给定字符a，b，问b中去掉一些字符后能不能得到a 解题思路： 暴力从前往后扫描一遍即可。 AC代码： /** * @description: poj1936水题 * @author: michael ming * @date: 2019/6/25 18:19 * @modified by: */ #...
对CryptoDriver里密钥格式定义的探索(1)
一入网络安全才发现深似海，传统汽车MCU码农转型之路异常艰难。在CP AUTOSAR中的CryptoDriver SWS对密钥格式的需求来源于RFC，其中要求了RSA、ECC、SHE等key material的格式。再往下看，我就有些迷糊了，例如关于RSA Private Key的OCTEE STRING格式根据IETF RFC8017，Public Key又得根据RFC5280，完全不得其解。所以今天先从生成密钥对，并对其进行解析开始，一步一步拆解。
POJ 1936 DP
题意 传送门 POJ 1936 题解 dp[i]dp[i]dp[i] 代表字符串 ttt 的区间 [0,i][0,i][0,i] 可以匹配的 sss 的最大长度 dp[i]={dp[i−1]+1t[i]=s[dp[i−1]]dp[i−1]otherwisedp[i]=\begin{cases} dp[i-1]+1 & t[i]=s[dp[i-1]]\\ dp[i-1] & otherwise\\ \end{cases}dp[i]={dp[i−1]+1dp[i−1]t[i]=s[dp[i−1
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
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")
POJ 1936（字符串匹配）
题目链接：http://poj.org/problem?id=1936 #include #include #include #include #include #include using namespace std; const int INF=0x3f3f3f3f; const int maxn=100010; char s[maxn],t[maxn]; int main(){ #if
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
POJ-1936 All in All
POJ-1936 All in All 题目链接：POJ-1936 题目大意：问前面的字符串是否按顺序存在于后面的字符串中 解题思路：双指针做法 十足的水题 代码块： #include<iostream> #include<string> using namespace std; int main(){ string strA, strB; while(cin&g...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
POJ1936
POJ1936 1#include<iostream> 2#include<cstring> 3usingnamespacestd; 4intmain() 5{ 6chars[100000],t[100000]; 7 8while(cin>>s>>t) 9{ 10 11...
POJ1936-All in All(纯水题)
POJ1936 原题链接:http://poj.org/problem?id=1936 All in All Time Limit: 1000MS Memory Limit: 30000K Total Submissions: 33646 Accepted: 14057 Description You have de
POJ 1936 All in All 字符串匹配
传送门：POJ 1936 All in All分析： 简单的字符串匹配。 前者是后者的子序列，就输出Yes，否则输出No。 比较水，不过写法有点技巧。代码如下：#include <iostream> #include <cstdio> #include <cstring> #include <cmath> #include <algorithm> using namespace std; #d
20-2-12-水题-POJ1936
POJ1936 All in All Time Limit: 1000MS Memory Limit: 30000K Total Submissions: 37391 Accepted: 15593 Description You have devised a new encryption technique which encodes a message by inser...
poj 1936 我的ACM之旅开始了~~~吼吼
今天主要做了湖南省去年的比赛题目，感觉题目有大水的题。也有我根本看不懂得题目！哈哈幸亏有那几道简单题不然我就彻底没自信了！ poj 1936是我第一道一次就AC的题目，很高兴（我是超级菜鸟，但我会慢慢努力地）。这是一道关于字符串的题目，用穷举法就可以搞定！代码如
poj1936_All in All
poj1936_All in All 时间复杂度O(n) 1 #include <stdio.h> 2 #include <string.h> 3 int main(){ 4 int al,bl,i,j; 5 char a[100000+100]; 6 char ...
poj 1936 All in All
刚做了三个字符串的题都1a了，这个算是最简单的了。 总体来说，以前很怕怕字符串的题，现在也是，路漫漫啊！自己的水平还只能处理数据范围不大或者比较常规的题目。 /* POJ: 1936 All in All */ #include #include #include #include using namespace std; string s, t; int main() {
POJ 1936 All in All 匹配, 水题 难度:0
题目 http://poj.org/problem?id=1936 题意 多组数据，每组数据有两个字符串A,B，求Ａ是否是B的子串。（注意是子串，也就是不必在B中连续） 思路 设置计数器cnt为当前已匹配A的长度，明显在扫描B的过程中只需要记住cnt这一个状态。 扫描B，每次与A[cnt]匹配就将计数器增加１，cnt与A的长度一致时A就是B的子串。 感想 这道题也许可以用更复杂的方...
poj 1936 题解 （字符串）
原题链接： poj 题意简述 多组数据。每次给定两个子串。判断第一个字符串是不是第二个字符串的子串（不一定连续的那种，也就是说，第一个字符串能否由第二个字符串删除某些字符得到）。 思路 我tmtmtm真是傻了，这个暴力题都不会。 设两个字符串是a,ba,ba,b。枚举aaa中的位置，在bbb中查找这个位置。我们有一个显然的结论，这些位置应该是单调递增的，不然aaa就不是bbb的子串了，不满足条件。...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4542
扫一扫
