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
100+累计阅读
159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
8月31日
编写方法，根据用户给定的字符串解析出结果。已知：用户给出的字符串只包括数字、加减乘除符号，并且是合法的数学表达式。例如：
35+3
2*3+3-4*6
-7+10*3/4+6*2-7/2
9月1日
想一个好的例子来解释多态的概念。
9月2日
编写一个学生类，学生类包括属性学号、姓名和班级，并编写模拟方法添加学生、删除学生、修改学生和查询学生。
9月3日
编写代码实现多态以及多态的使用。
9月4日
在Student类中添加一个方法，该方法模拟获取所有学生信息，要求学生信息使用Student对象表示，用ArrayList对象表示所有学生。正常情况下，学生信息是从数据库中获取的，现在要求在方法中动态生成。然后编写测试方法获取这些学生信息，然后输出到控制台。
Java编程能力强化
自适应粒子群优化（Adaptive Particle Swarm Optimization，APSO
下面是一个关于自适应粒子群优化（Adaptive Particle Swarm Optimization，APSO）的博客，希望可以帮助您。提示：以下是本篇文章正文内容，下面案例可供参考在上面的代码中，表示粒子的数量，表示解空间的维度，表示迭代次数，表示优化的目标函数。在__init__方法中，我们初始化了粒子群的位置和速度，并将每个粒子的位置作为其最优解，将其适应度值初始化为正无穷。我们还初始化了学习因子和惯性权重的参数。在run方法中，我们迭代了次，计算每个粒子的适应度值和最优解。
01:谁考了第k名 个人博客：doubleq.win
个人博客：doubleq.win 01:谁考了第k名 查看 提交 统计 提问 总时间限制: 1000ms 内存限制: 65536kB描述 在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名学生的学号和成绩。 输入第一行有两个整数，分别是学生的人数n（1≤n≤100），和求第k名学生的k（1≤k≤n）。其后有n行数据，每行包括一个学...
逆向工程师的Shopee爬虫避坑指南：af-ac-enc-dat参数生成原理与反反爬策略
本文深入剖析了Shopee电商平台的反爬虫加密机制，重点解析了核心请求头参数x-sap-ri、x-sap-sec及af-ac-enc-dat的生成原理与联动关系。文章从逆向工程视角，提供了定位加密代码、分析算法逻辑的实战方法，并分享了基于JS执行环境模拟与无头浏览器控制的可持续反反爬策略，为高效、稳定地采集数据提供专业指南。
设计一个班级类和一个学生类:1.学生类属性:姓名,学号,成绩(整数即可),定义相关构造方法;定义返回学生信息字符串的方法;2.班级类属性:班级名,人数,成员;其中成员是一个学生类的数组;...
题目显示不全，完整题目描述： 设计一个班级类和一个学生类：1.学生类属性：姓名，学号，成绩（整数即可）；定义相关构造方法；定义返回学生信息字符串的方法；2.班级类属性：班级名，人数，成员；其中成员是一个学生类的数组；班级类中定义方法，（1）显示总分和平均分（2）显示最高分和最低分学生信息（3）向班级中添加学生，即向班级类中的成员数组中添加学生对象。3.在班级类中定义main方法，定义班级...
SpyGlass Lint脚本实战：如何用TCL自动化RTL代码检查（附完整配置模板）
本文详细介绍了如何利用TCL脚本实现SpyGlass Lint工具的自动化RTL代码检查。通过构建模块化、工程化的脚本框架，文章提供了从环境搭建、核心配置、规则定制到豁免管理的完整实战指南，并附有可复用的配置模板，旨在帮助IC设计工程师构建高效、一致的代码质量检查流水线。
Excel数字变成了小数点+E+17？这些方法帮你解决！
本文介绍了三种解决Excel中数字变成小数点+E+17问题的方法：通过下拉箭头或右键菜单设置单元格格式为文本、使用TEXT函数将科学计数法转换为文本。这些方法各有优缺点，适用于不同的场景和需求。在实际应用中，我们可以根据具体情况选择合适的方法来解决问题。通过以上方法，我们可以轻松地从繁琐的小数点+E+17问题中解脱出来，更便捷地处理Excel中的数字。希望本文能够帮助到您，让您在使用Excel时更加得心应手！
c++题目谁考了第k名
谁考了第k名 用的是类保存数据 #include <iostream> #include <cstdio> using namespace std; class Q { public: long order; double grade; }; int main() { Q arr[100]; Q tmp; int m , k; cin >&...
Python小波变换实战：用PyCWT分析气候数据（附完整代码）
本文详细介绍了如何使用Python中的PyCWT库进行小波变换分析，特别针对气候数据（如NINO3海温异常数据）的多尺度周期性特征提取。通过完整的代码示例，从数据预处理、小波参数配置到结果可视化，逐步指导读者掌握小波变换在气候研究中的实际应用。
数据排序之谁考了第k名
题目：在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名学生的学号和成绩。 输入： 第一行有两个整数，分别是学生的人数n（1<=n<=100），和求第k名学生的k（1<=k<=n）。 其后有n行数据，每行包括一个学号（整数）和一个成绩（浮点数），中间用一个空格分隔。 输出： 输出第k名学生的学号和成绩，中间用空隔分隔。 样例输入： 5 3 90788001 67.8 90788002 90.3 90788003 61 90788004 68.4 90788
Yolov8轻量级网络：Ghostnet、G_ghost、Ghostnetv2家族大作战（一）：华为Ghostnet，超越谷歌MobileNet | CVPR2020
Yolov8引入轻量级网络Ghostnet、G_ghost、Ghostnetv2等，减少最新的深度神经网络的计算成本，引入高效的神经网络结构。
6、基于深度强化学习的无人机路径规划
本文研究了基于深度强化学习的无人机路径规划方法，提出了一种融合改进DQN算法与人工势场法的路径规划策略。通过设计合理的网络结构、状态空间、动作空间和奖励函数，结合ε-贪心策略进行动作选择，实现了无人机在复杂环境中的自主避障与目标导向飞行。仿真实验表明，该方法具有收敛速度快、实时性强和可操作性高等优点，能有效完成室内环境下的路径规划任务。文章还总结了算法优势，并对未来在连续动作、复杂环境适应及多无人机协同等方面的发展方向进行了展望。
复旦高等代数I（19级）每周一题
本学期的高等代数每周一题活动计划从第2教学周开始，到第15教学周结束，每周的周末公布一道思考题（共14道，思考题一般与下周授课内容密切相关），供大家思考和解答。每周一题将通过“高等代数官方博客”（以博文的形式）和“高等代数在线课程19级课群”（以课群话题的形式）这两个渠道同时发布。有兴趣的同学可以将每周一题的解答写在纸上、拍成图片，并上传到每周一题对应的课群话题中。本人会定期对每周一题的...
Open3D 计算点云法向量的夹角【2026最新版】
计算法向量的夹角，博客长期更新，本文最新更新时间为：2026年3月7日。
jobdu1018
九度题目1018：统计同成绩学生人数 题目描述： 读入N名学生的成绩，将获得某一给定分数的学生人数输出。 输入： 第1行：N 第2行：N名学生的成绩，相邻两数字用一个空格间隔。 第3行：给定分数 当读到N=0时输入结束。其中N不超过1000，成绩分数为（包含）0到100之间的一个整数。 输出： 对每个测试用例，将获得给定分数的学生人数输出。 样例输入： 3
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")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
openJudge计算概论-谁考了第k名
/*===================================== 谁考了第k名 总时间限制: 1000ms 内存限制: 65536kB 描述 在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名学生的学号和成绩。 输入 第一行有两个整数，学生的人数n（1≤n≤100），和求第k名学生的k（1≤k≤n）。 其后有n行数据，每行包括一个学号...
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
openjudge1.10简单排序
本章主要应用了一些排序方法，还有一些做题目的技巧，还要注意一些函数的使用，以及结构体的使用等等，都可以方便我们的解题 01:谁考了第k名 在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名学生的学号和成绩。 输入 第一行有两个整数，分别是学生的人数n（1≤n≤100），和求第k名学生的k（1≤k≤n）。 其后有n行数据，每行包括一个学号（整数）和一个成绩（浮
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
排序入门练习题3 谁考了第k名 题解
题目出处：《信息学奥赛一本通》第二章 上机练习1 题目描述 在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名的学生的学号和成绩。 输入格式 输入的第一行包含两个整数，分别是学生的人数 \(n(1 \le n \le 1000)\) ，和求第 \(k\) 名学生的 \(k(1 \le k \le n)\) 。 接下来 \(n\) 行，每行包含一个学号（整数）和...
Vue实现一个学生信息录入系统，实现录入和删除
效果如下： 代码如下： 1 <!DOCTYPE html> 2 <html lang="en"> 3 <head> 4 <meta charset="UTF-8"> 5 <title>Title</title> 6 <script src="...
JAVA创建一个学生类，包含姓名，年龄，班级属性。创建测试类，定义一个集合添加2个学生，遍历显示学生信息，将年龄小于18的学生从集合中删除，再遍历显示集合中所有学生信息
Student.java： package diertian; public class Student { private String name; private int age; private String banji; public Student(String name, int age, String banji) { this.name = name; this....
谁考了第k名
#include #include #include using namespace std; int main() {int n,k,x; cin>>n>>k; int a[101]; double b[101],temp; for(int i=0;in;i++) {scanf("%d",&a[i]); scanf("%lf",&b[i]);} for(int i=0;in-1;i+
1176：谁考了第k名
1176：谁考了第k名 题目描述 【题目描述】 在一次考试中，每个学生的成绩都不相同，现知道了每个学生的学号和成绩，求考第k名学生的学号和成绩。 【输入】 第一行有两个整数，分别是学生的人数n（1≤n≤100），和求第k名学生的k（1≤k≤n）。 其后有n行数据，每行包括一个学号（整数）和一个成绩（浮点数），中间用一个空格分隔。 【输出】 输出第k名学生的学号和成绩，中间用空格分隔。（注：请用%g...
Docker Compose：搭建本地多服务开发环境
从一个 Java API、PostgreSQL 和 Redis 开始，配置服务名、端口、环境变量、健康检查、数据卷和依赖关系。理解 Compose 文件如何被解析、项目如何隔离，以及哪些数据不能依赖“重建容器”保留，能够把个人开发环境整理成团队可复用的启动入口。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
9917
扫一扫
