墨衍会员
·
1平台
·
100+阅读
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
135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
leetcode是个题库，里面有很多编程多面试的题目，可以在线编译运行。难度比较高。如果自己能做出来，对面大公司很有帮助。
建议一次只针对一种题型进行训练，如数组、链表、二叉树、回溯、动态规划，这样效果会更好。
做leetcode肯定是有帮助的。我今年四月面腾讯的时候，面试官就问了我一道leetcode上的原题，让我写一个数组右移k位的程序。然后我大学做了两年ACM吧，感觉leetcode上的题目基本都比ACM要简单一些。
程序员的葵花宝典，当代内卷的万恶之源
下面直接给大家展示出本书的目录内容：
MobileNet V3 图像分类
MobileNet V3
这份1114页的神书，助我刷爆LeetCode题库，拿下全国竞赛榜前十
前言 在数据结构和算法中，栈的初始化部分为什么要用二级指针，其他函数却用一级指针呢？虽然很多读者已经了解了一级指针和二级指针，但是并没有深入理解它们之间的区别，没有考虑过在什么地方应该使用一级指针，什么地方应该使用二级指针，以及为什么要将指针作为函数参数进行传递。要搞懂这些问题，需要认真思考，因为要返回一个地址，所以就用了二级指针。 力扣竞猜榜冠军杯 分享一下我经常看的一本《数据结构与算法》书籍内容包括线性表、栈、队列、串、数组、广义表、树、图、查找算法、排序算法、递推算法、递
STM32 HAL库定时器中断里读编码器速度准吗？聊聊MG310电机的测速与防溢出处理
本文探讨了STM32 HAL库在定时器中断中读取编码器速度的精度问题，特别针对MG310电机的测速与防溢出处理提供了解决方案。通过对比定时中断法和编码器模式的性能，揭示了硬件编码器接口在降低误差和CPU占用率方面的优势，并详细介绍了CubeMX配置技巧和防溢出处理的工程实践。
LeetCode《算法通关手册》 1.1 数组基础
*思路：**在矩阵周围补0，统计周围8个格子活细胞数量存储下来，按规则改变原矩阵（类似卷积种zero padding操作，设置kernel为[[1, 1, 1], [1, 0, 1], [1, 1, 1]]）。**思路：**用特殊值标记发生改变的格子，2表示活细胞变死细胞，3表示死细胞变活细胞，统计时将1和2都算作活细胞加一。**思路：**两次遍历，第一次遍历求出数组全部元素和，第二次遍历找到左侧元素和恰好为全部元素和一半的位置（累加的两倍+当前元素=全部元素和）。，因为在下标的左侧不存在元素。
Ubuntu 20.04 server 安装
Ubuntu 20.04 server 安装 前面我们介绍了 Ubuntu Desktop 版本的安装，今天我们来看看 Ubuntu server 版本的安装。Ubuntu Server 版本的安装和 Desktop 有很大的区别，并且全程不能使用鼠标，只能通过键盘。 从光盘或 U 盘启动到 Welcome 界面，选择语言，一般都是使用 English，所以保保持默认，直接按回车即可； 系统检测到了新的版本，问你是否是否更新，这里我们不需要安装新的版本，所以选项 Continue without upda
python-调用动态链接库dll/so的方法
使用python ctyeps CDLL来调用linux下的so动态链接库或windows下的dll动态链接库
GitHub标星90K，这份持续霸榜的Leetcode刷题手册到底强在哪 ？
动态规划系列 具体来说，动态规划的一般流程就是三步:暴力的递归解法–带备忘录的递归解法–迭代的动态规划解法。背包问题博弈问题数据结构系列 这一章主要是一些特殊的数据结构设计，比如单调栈解决Next GreaterNumber，单调队列解决滑动窗口问题;还有常用数据结构的操作，比如链麦、树、二叉堆。二叉搜索树二叉树的节点算法思维系列 本章包含一些常用的算法技巧，比如前缀和、回溯思想、位操作、双指针、如何正确书写二分查找等等。数独问题区间交集问题。
安卓逆向实战：利用Frida-RPC自动化获取大麦演唱会数据
本文详细介绍了如何利用Frida-RPC技术实现安卓逆向自动化，以获取大麦演唱会数据。通过实战演示，从环境搭建、使用Frida动态分析定位核心签名算法，到封装为可复用的Python脚本，完整解析了自动化数据获取的技术路径与工程化思考。
【LeetCode Book】图解算法数据结构（更新中）
个人整理的LeetCode Book 《图解算法数据结构》的笔记，用于后续复习。
Vue - 萤石云监控 ezuikit 视频实例销毁方案，解决使用stop方法无法销毁EZUIKit实例或销毁后依然占用内存并且监控画面依然有声音问题（解决页面多个监控摄像头画面同时播放，翻页或关闭页
vue2，vue3，萤石，监控摄像头，萤石云销毁视频实例，退出页面销毁，stop销毁原视频流，占用内存怎么办，销毁后视频依旧在后台播放有声音，销毁视频播放器，页面上有多个视频画面怎么销毁某一个，stop方法不生效怎么办，浏览器非常卡，dom销毁，ezuikit-js萤石云播放器Vue中使用beforeDestory销毁播放器实例，调用萤石云ezuikit-js的视频对象销毁，vue使用萤石云监控视频录像回放，不销毁实例会出现离开页面后依旧有监控声音并且占内存问题，不好使，页面崩了，崩溃，视频监控太多，没有用
canoe安装完成开启之后因为VectorDeviceParams30_64.dll报错崩溃打不开...如何解决？
🏆本文收录于 《全栈 Bug 调优（实战版）》 专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值。
秀到起飞！LeetCode官方推出算法面试指导手册（代码版）限时开源
什么是LeetCode？ leetcode是个题库，里面有很多编程多面试的题目，可以在线编译运行。难度比较高。如果自己能做出来，对面大公司很有帮助。 建议一次只针对一种题型进行训练，如数组、链表、二叉树、回溯、动态规划，这样效果会更好。 做leetcode肯定是有帮助的。我今年四月面腾讯的时候，面试官就问了我一道leetcode上的原题，让我写一个数组右移k位的程序。然后我大学做了两年ACM吧，感觉leetcode上的题目基本都比ACM要简单一些。 程序员的葵花宝典，当代内卷的万恶之源 今.
用 RFC Destination 打通 VS Code 与 ABAP 后端，ABAP 开发连接不只是登录那么简单
本文重点介绍了在VS Code中配置ABAP开发环境时建立RFC destination连接的关键细节。文章指出：1. RFC destination是连接前端开发工具与ABAP后端的核心配置，包含系统类型、客户端、用户名等关键信息；2. 连接方式的选择（RFC/HTTP）由产品形态决定，On-Premise和Private Edition使用RFC，而BTP和Public Cloud使用HTTP；3. 连接创建后需要通过添加工作区文件夹来展示开发对象；4. RFC连接涉及网络可达性、身份认证和开发权限三个
秀到起飞！LeetCode官方推出算法面试指导手册（代码版）限时开源(1)
以上是字节二面的一些问题，面完之后其实挺后悔的，没有提前把各个知识点都复习到位。现在重新好好复习手上的。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
秀到起飞，LeetCode官方推出算法面试指导手册（代码版）限时开源
leetcode是个题库，里面有很多编程多面试的题目，可以在线编译运行。难度比较高。如果自己能做出来，对面大公司很有帮助。建议一次只针对一种题型进行训练，如数组、链表、二叉树、回溯、动态规划，这样效果会更好。做leetcode肯定是有帮助的。我今年四月面腾讯的时候，面试官就问了我一道leetcode上的原题，让我写一个数组右移k位的程序。然后我大学做了两年ACM吧，感觉leetcode上的题目基本都比ACM要简单一些。程序员的葵花宝典，当代内卷的万恶之源。
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")
直接起飞，LeetCode官方推出算法面试指导手册（代码版）限时开源
什么是LeetCode？ leetcode是个题库，里面有很多编程多面试的题目，可以在线编译运行。难度比较高。如果自己能做出来，对面大公司很有帮助。 建议一次只针对一种题型进行训练，如数组、链表、二叉树、回溯、动态规划，这样效果会更好。 做leetcode肯定是有帮助的。我今年四月面腾讯的时候，面试官就问了我一道leetcode上的原题，让我写一个数组右移k位的程序。然后我大学做了两年ACM吧，感觉leetcode上的题目基本都比ACM要简单一些。 程序员的葵花宝典，当代内卷的万恶之源 今天
WINCC7.3破解文件
WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！
秀到起飞！LeetCode极受推崇的算法面试指导手册（代码版）
leetcode是个题库，里面有很多编程多面试的题目，可以在线编译运行。难度比较高。如果自己能做出来，对面大公司很有帮助。建议一次只针对一种题型进行训练，如数组、链表、二叉树、回溯、动态规划，这样效果会更好。做leetcode肯定是有帮助的。我今年四月面腾讯的时候，面试官就问了我一道leetcode上的原题，让我写一个数组右移k位的程序。然后我大学做了两年ACM吧，感觉leetcode上的题目基本都比ACM要简单一些。程序员的葵花宝典，当代内卷的万恶之源。
我坚持在 优快云 写了一年的博客，起飞了吗！？（复盘拿到的奖品）
大家好，我是小林哥。 光阴似箭，不知不觉坚持写技术文章也有一年多了，没想到当初小小的决定，以及每周小小的坚持，给我带来了质的变化。 不仅仅对技术有了更深刻的理解，还给扩大了我的人脉，相识了很多优秀的博主，也帮助了很多同学解惑了枯燥乏味的计算机基础（是我的荣幸哈哈～） 当我越写越久发现，文章是能带来复利效应的，因为一篇文章是可以多次参与不同博客平台的活动，也就是说文章是可以反复复用的，即使是一个新出来的博客平台，你依然可以拿往期的文章去参与活动。 我写作一年多了，期间在很多博客平台拿到不少奖品，这次就来盘一盘
能带你起飞的【数据结构】成王第四篇：力扣、牛客链表面试题
我们总是喜欢瞻仰大厂的大神们，但实际上大神也不过凡人，与菜鸟程序员相比，也就多花了几分心思，如果你再不努力，差距也只会越来越大。面试题多多少少对于你接下来所要做的事肯定有点帮助，但我更希望你能透过面试题去总结自己的不足，以提高自己核心技术竞争力。每一次面试经历都是对你技术的扫盲，面试后的复盘总结效果是极好的！《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！
无意苦争春，一任群芳妒！看完这份2020年度大厂Android面试总结，我直接起飞！
前言 草色青青柳色黄，桃花历乱李花香。度过了愉快的春节，转眼间春天也就到了。金三银四青铜五，今年面试形势严峻，切勿临时抱佛脚。在博主认为，对于Android面试以及进阶的最佳学习方法莫过于刷题+博客+书籍+总结，前三者博主将淋漓尽致地挥毫于这篇博客文章中，至于总结在于个人，实际上越到后面你会发现面试并不难，其次就是在刷题的过程中有没有去思考，刷题只是次之，这又是一个层次了，这里暂时不提后面再谈。 其实Android开发的知识点就那么多，面试问来问去还是那么点东西。所以面试没有其他的诀窍，只看你对这些知识点.
算法系列之算法学习书籍以及资料推荐，2024年最新java线程面试题知乎
切莫死记硬背，小心面试官直接让你出门右拐1000道互联网Java面试题：
那些让你起飞的计算机基础知识
高畅，在谷歌工作，目前研究方向是计算机视觉和机器学习。他为了准备校招，刷了几百道算法题、研究了半年的LeetCode，凭着自己的努力，成为了当年的Offer收割机，包括字节跳动，快手，Go...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1768
扫一扫
