#if 0
#include<iostream>
using namespace std;
int a[15][15],cnt;
bool flag=0;
int ok(int x,int y,int k)
{
for(int i=0; i<9; i++)
{
if(a[x][i]==k)
return 0;
if(a[i][y]==k)
return 0;
}
int sx=x-x%3;
int sy=y-y%3;
for(int i=sx; i<sx+3; i++)
{
for(int j=sy; j<sy+3; j++)
{
if(a[i][j]==k)
return 0;
}
}
return 1;
}
void dfs(int num)
{
bool flag1=0;
int x,y;
if(num==cnt)
{
for(int i=0; i<9; i++)
{
for(int j=0; j<9; j++)
{
cout<<a[i][j];
}
cout<<endl;
}
flag=1;
return;
}
if(flag)
return;
for(int i=0; i<9; i++)
{
for(int j=0; j<9; j++)
{
if(a[i][j]==0)
{
flag1=1;
x=i;y=j;
break;
}
}
if(flag1)
break;
}
for(int k=1; k<=9; k++)
{
if(ok(x,y,k))
{
a[x][y]=k;
dfs(num+1);
a[x][y]=0;
}
}
}
int main()
{
int N;
char c;
cin>>N;
while(N--)
{
flag=0;
cnt=0;
for(int i=0; i<9; i++)
{
for(int j=0; j<9; j++)
{
cin>>c;
a[i][j]=c-'0';
if(a[i][j]==0)
cnt++;
}
}
dfs(0);
}
}
#endif
相关推荐
OpenCV图像去畸变实战指南:从原理到参数调优(附完整代码与效果对比)
本文深入解析了OpenCV图像去畸变的原理与实战技巧,详细对比了标准透视、鱼眼及全能型omnidir三种校正函数的核心参数调优方法。通过分析alpha、balance、centerX/Y及focalScale四大参数对输出效果的影响,并结合完整代码与效果对比图,帮助开发者精准校正镜头畸变,提升计算机视觉任务精度。
yolo免环境训练工具 yolo8标注工具 yolo训练工具 yolo8 yolo4 yolo3
玩V4的时候发现个骚操作:工具里自带的预训练模型其实都是精简过的。最近发现个挺野路子的YOLO工具链,直接省了配环境的麻烦。工具底层应该是调用了onnx的export,但神奇的是转换后的模型还能保持mAP基本不掉点。yolo免环境训练工具 yolo8标注工具 yolo训练工具 yolo8 yolo4 yolo3。yolo免环境训练工具 yolo8标注工具 yolo训练工具 yolo8 yolo4 yolo3。自动标注 自动截图 V3-4模型转换(GPU) 模型训练 V8免环境训练。免环境标注、训练的工具。
晶圆表面缺陷检测现状概述
凹坑,凸起,尖角,沟槽),使用光束对晶圆进行照射,收集反射光和散射光信息进行缺陷判断,进一步可分为无图案晶圆表面检测和宏观缺陷检测设备。KLA使用SR-DUV光,检测精度在10nm以下。扫描电子显微(电子束和晶圆表面产生二次电子,X射线等)获取高分辨率的图像,然后用图像处理表面缺陷(凹坑,凸起,尖角,沟槽等)表面容貌和材料信息,分辨率可达5-10nm。晶圆表面缺陷检测设备主要检测晶圆外观呈现出来的缺陷,损伤、毛刺等缺陷,主要设备供应商KLA,AMAT,日立等,其中KLA在晶圆表面检测设备占有市场52%左右。
YOLOv8-cls图像分类实战:在T4 GPU上高效训练
YOLOv8-cls结合NVIDIA T4 GPU,构建了工业级图像分类的新范式。模型轻量、精度高,配合T4的混合精度与ECC显存,实现快速训练与毫秒级推理。从PCB缺陷检测到药品分类,整套方案支持端到端部署,显著缩短落地周期,提升生产环境下的稳定性与吞吐能力。
【YOLO系列】YOLOv12详解:模型结构、损失函数、训练方法及代码实现
本文提出YOLOv12,一种以注意力为中心的实时目标检测框架,通过创新性改进解决传统YOLO模型在精度与速度上的失衡问题。核心贡献包括:1)轻量混合注意力模块(LHA)结合通道与空间注意力,在不增加计算负担下提升特征提取能力;2)区域注意机制与R-ELAN网络优化特征聚合,显著改善小目标检测(AP_S提升8.3%);3)动态多光谱数据增强策略增强模型鲁棒性。实验表明,YOLOv12在COCO等基准上实现SOTA性能,同时保持2.1 TOPS/W的高能效比,适用于边缘设备部署。该工作为实时目标检测提供了新的注
ABAP BDC 处理踩坑笔记:把错误挡在录制之前,把稳定做进每一行 BDCDATA
本文总结了SAP BDC(批输入)开发中的常见问题和解决方案。重点包括:1)理解BDCDATA本质是模拟人工操作而非直接操作数据库;2)数据格式化技巧,如金额、日期、物料号等字段的标准化处理;3)通过CTU_PARAMS参数控制执行环境,确保屏幕尺寸和更新模式一致;4)不要依赖sy-subrc,应通过解析MESSTAB消息判断业务是否成功;5)录制阶段的常见陷阱及解决方法;6)疑难问题的系统性解决思路;7)建议建立完善的错误处理机制,包括日志记录和重跑功能。文章提供了实用的ABAP代码示例和配置建议,帮助开
hongguoTV架构解析:从React Native TV加Node服务到纯Kotlin原生独立APK的演进
hongguoTV 是一个面向安卓电视的红果短剧客户端(非官方,与红果官方无关联)。它的架构经历了两个阶段:先是 **React Native TV 客户端 + 独立 Node 内容服务** 的组合,后重写为 **纯 Kotlin 原生独立 APK**——一个安装包装到电视上,联网就能用,不再需要任何服务器。本文带你完整看懂这次架构演进的设计思路、取舍依据和模块结构。 ## 🗺️ 一图看懂:两
【Docker】一招解决超时镜像超时报错:`ERROR: Get https://registry-1.docker.io/v2/`
Docker 镜像拉取超时或失败并不是 Docker 本身的缺陷,而是网络环境和默认配置在特定场景下的限制所导致的结果。通过本文的分析可以看到,问题的核心往往集中在三个方面:网络访问延迟、DNS 解析速度以及客户端默认超时时间。针对这些问题,最直接、有效的做法是使用国内镜像加速器,这不仅能够显著提升拉取速度,还能保证在企业内网或家庭网络中更加稳定
YOLOv8.3云端训练成本实测:T4、P4、A100怎么选?附每小时费用与性能对比
本文介绍了如何在星图GPU平台上自动化部署Yolo-v8.3镜像,并针对目标检测模型的云端训练进行成本效益分析。通过实测对比T4、P4、A100等主流GPU在训练速度与每小时费用上的差异,为开发者选择高性价比算力方案提供参考,帮助高效完成图片或视频中的目标识别任务。
8.19华为OD机试真题 新系统 - 基站低能耗时段统计 (Java/Py/C/C++/Js/Go)
8.19华为OD机试真题 新系统 - 基站低能耗时段统计 (Java/Py/C/C++/Js/Go)
提示词编程在自动化内容审核中的应用
文章标题 提示词编程在自动化内容审核中的应用 关键词:提示词编程,自动化内容审核,人工智能,算法原理,系统架构设计,项目实战 摘要 本文旨在探讨提示词
torchtitan-npu MXFP8/HiF8低精度训练教程:在Ascend 950上加速DeepSeek-V4训练吞吐
torchtitan-npu 是 torchtitan 的昇腾(Ascend)后端扩展插件,其 **MXFP8/HiF8 低精度训练特性** 可将矩阵乘法降至 8-bit 浮点精度执行,在保持训练收敛性的同时显著提升 DeepSeek-V4 等大模型在 Ascend 950 NPU 上的**训练吞吐**并降低显存消耗。本教程面向新手,带你用 3 步跑通低精度训练,并看懂收敛与吞吐指标。 ## 为
【WRF教程第3.5期】预处理系统 WPS 详解:以4.5版本为例
预处理系统 WPS 详解:以4.5版本为例
Surogate的混合精度训练秘籍:BF16、FP8、NVFP4三种精度的性能对比
Surogate作为一款专注于高速训练和微调的框架,以"Training/Fine-tuning at the speed of light"为核心目标,提供了BF16、FP8和NVFP4三种混合精度训练方案。本文将深入对比这三种精度在性能、内存占用和训练效果上的差异,帮助你选择最适合的训练配置。 ## 为什么选择混合精度训练? 混合精度训练是平衡模型训练速度、内存占用和精度的关键技术。通过在
老版QQ原生表情gif动态
这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
LMFlow量化训练终极指南:4-bit/8-bit QLoRA实现低资源部署
LMFlow是一个强大的深度学习模型优化工具箱,专为大语言模型的高效微调而设计。在前100字的概述中,LMFlow量化训练技术让普通用户也能在有限硬件资源下训练大模型。通过QLoRA(量化低秩适配)方法,LMFlow实现了4-bit和8-bit量化训练,大幅降低了GPU显存需求,让更多人能够参与到大模型的训练和应用中。 ## 🚀 为什么选择LMFlow量化训练? LMFlow的量化训练技术让
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
Unsloth量化技术揭秘:4-bit/8-bit训练如何节省90%显存?
GitHub推荐项目精选(notebooks24/notebooks)是一个专注于提供Unsloth模型微调 notebooks 的开源项目,支持Google Colab、Kaggle、Hugging Face等多个平台,帮助开发者轻松实现大模型的高效训练与部署。 ### 🤔 为什么需要量化技术?显存瓶颈的“痛点” 在大模型训练过程中,显存占用一直是开发者面临的主要挑战之一。以Llama3系
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
TPU v4-8训练揭秘:ko_edu_classifier_v2_nlpai-lab_KoE5的8小时训练过程全解析
ko_edu_classifier_v2_nlpai-lab_KoE5是一个基于XLMRoberta架构的韩语教育文本分类模型,通过TPU v4-8强大算力仅用8小时即可完成高效训练。本文将带您深入了解这一极速训练过程的技术细节与优化策略。 ## 模型架构与训练配置 该模型采用XLMRobertaForSequenceClassification架构,核心参数配置如下: - 隐藏层维度:102
量化感知训练中的精度博弈:4/8位选择背后的数学原理
掌握量化感知训练中的精度平衡之道,本文深入解析模型量化的精度选择难题,探讨4/8位量化在推理效率与模型性能间的数学权衡,适用于边缘设备部署与高效AI系统设计,揭示关键优化方法与实际效果对比,值得收藏。
YOLOv8模型优化:GLM-4-9B-Chat-1M辅助训练实战
本文介绍了如何利用星图GPU平台自动化部署GLM-4-9B-Chat-1M镜像,以辅助优化YOLOv8模型训练。该平台简化了部署流程,用户可快速启用该大语言模型,将其作为“AI训练师”,通过分析训练日志和数据集,为工业零件检测等计算机视觉任务提供数据增强、超参数调优等智能化建议,从而提升模型精度与训练效率。
程序设计训练4.8恺撒Caesar密码
【问题描述】 Julius Caesar 生活在充满危险和阴谋的年代。为了生存,他首次发明了密码,用于军队的消息传递。假设你是Caesar 军团中的一名军官,需要把Caesar 发送的消息破译出来、并提供给你的将军。消息加密的办法是:对消息原文中的每个字母,分别用该字母之后的第5个字母替换(例如:消息原文中的每个字母A都分别替换成字母F),其他字符不 变,并且消息原文的所有字母都是大写的。 密码字母:A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Gemma-4-e4b-it-mxfp8模型微调指南:自定义数据集训练技巧
在当今AI快速发展的时代,**Gemma-4-e4b-it-mxfp8模型**为开发者和研究者提供了一个强大的多模态视觉语言模型解决方案。这个专门为Apple silicon优化的MLX转换版本,结合了高效的mxfp8量化技术,让您能够在本地设备上轻松进行模型微调和自定义训练。本文将为您提供完整的Gemma-4模型微调指南,帮助您掌握自定义数据集训练的核心技巧。 ## 🚀 什么是Gemma-4
mirrors/unsloth/llama-3-8b-bnb-4bit训练硬件配置:从T4到H100性能对比
mirrors/unsloth/llama-3-8b-bnb-4bit是一款采用4-bit量化技术的高效能LLM模型,专为资源受限环境优化。本文将深入对比从T4到H100不同GPU的训练性能表现,帮助开发者选择最适合的硬件配置。 ## 📊 基础硬件需求解析 Llama-3-8B模型原始大小约为16GB,采用bnb-4bit量化后可显著降低显存占用。根据项目文档,该模型在单GPU环境下即可运行
YOLOv8(4) 模型训练
YOLO 系列模型(如 YOLOv8)训练前的数据集目录规范,核心作用是让模型能正确识别并关联 “图片 - 标签”,保证训练流程顺利启动,各部分解析如下: 关键要求说明 “一一对应” 的必要性:labels 目录下的标签文件名,必须与对应的 images 目录下的图片文件名完全一致(仅后缀不同,如fire_001.jpg对应fire_001.txt)。这是 YOLO 模型加载数据的核心规则 —— 模型会通过文件名自动关联图片与标签,若不对应则会出现 “找不到标签” 的错误,导致训练中断。目录的功能定位:
PixiEditor 跨平台 2D 编辑器指南:一块画布快速搞定像素、动画与矢量
画像素画通常要开两三个软件,像素工具一个、矢量工具一个。PixiEditor 是个用 .NET 写的跨平台 2D 编辑器,像素、画笔、矢量三套工具共用一块画布,时间轴也内置好了。做游戏图标和像素艺术的开发者,一个窗口就能开工。 [%cp(copy)!sed-i(replace) !pwd(your current dicr...
341



被折叠的 条评论
为什么被折叠?



