二进制感悟

各种进制转换学习小结 进制转换 阅读详情

        早在上小学就听闻过二进制的大名,而那时只是老师给介绍了一下,上大学时才真正的开始了解二进制。十进制是我们生活中常用到的,那么二进制就是我们计算机常用到的,学习二进制的时候是第二节课,当时,听老师简单的介绍过了感觉很神奇,我就对二进制产生了很大的兴趣。

给我印象最深的一道编程题就是关于二进制的问题,题目是这样的:获取一个整数二进制序列中所有的的奇数位和偶数位,分别打印出二进制序列。这样一道二进制序列的题目需要对二进制补码十分熟悉,是在《计算机科学概论》里面最难的一道题目了。

//封装一个函数print,打印奇数偶数位
void print(int m)
{
    int i = 0;
    printf("奇数位:\n");
    for(i = 30;i >= 0;i -= 2)
    {
        printf("%d ",( m>>i ) &1);//m向右移动i位按位与1
    }
    printf("\n");
    printf("偶数位:\n");
    for(i = 31;i >= 1;i -= 2)
    {
        printf("%d ",( m>>i ) &1);//m向右移动i位按位与1
    }
    printf("\n");
}

int main()
{
    int m = 0;
    scanf("%d",&m);
    print(m);
    return 0;
}

         在生活中,计算机往往是执行者,而简单命令的下达,才能让你与计算机工作的更有效。二进制就是有着这样一个简便的特点,想象一下,在你面前有一排灯泡,1代表开,0代表关,规则是逢二进一。当一个灯泡闪烁时代表1,累加之后需要进位,那么第一个灯泡的1给了第二个灯泡,第二个灯泡开始闪烁,第一个灯泡灭掉,以此类推。就是这种简单的模型,在我的脑海中留下了深刻的印象,理解起来也方便多了。二进制是以2的n次方来表示的(n从自然数开始取),第一位数字就是20第二位就是21……在解码当中也变得简单,只要把各个数字的分别乘相对应的2n然后相加就是我们常见的十进制的数字了,在熟悉二进制的同时,老师给我们推荐了思科二进制游戏。在娱乐中我们更加明确了二进制转换的思路,只要熟悉二进制上各个数字所代表的数字,那么很容易在心里换算,十进制与二进制的转换也变得得心应手起来,当然要想在游戏中取得更高的分数,不仅需要你心算的能力,而且需要你对数字的敏感和手对键盘的灵敏。在今天计算机表示整数最普遍的系统是二进制补码计数法,这就和二进制有着很大的关联,在现在的设备中,这个算法就是了解其中奥妙的不二法门。如书上示范的一种长度为3的位模式,共四个数字,首位是符号位0代表正,1代表负,正数和二进制规则相同,而负数只要拐一个弯即可,我觉得因为负数是正数的相反数,所以先看符号位,如果拿到负数的位模式,那么我就把这三位数字“取相反数”,与十进制不同二进制不能直接加“-”号,二进制中只有0和1,那么我就把0和1互相替换,替换过后一定与原来的值不符,那么我再给替换过后的数字加1,这样出来的数字就是负数的绝对值,加上前面的符号位也就是“-”号,就是我们要表示的负数了,我就是这么理解的。

        当老师给我们提出一个问题,如果你的身边没有计算的工具甚至连书写的工具都没有的时候,这样让你计算的时候你要怎么办,这个问题当时难住了我们不少人,当老师给我们观看一个人发明的滚珠二进制计数的时候,我们恍然大悟,原来只要你有创造的思维,用二进制和一些工具你也可以创造出计算器,在我们生活或者学习中我们同样需要遇到问题开动脑筋,跳出思维的框框,用常见的东西发展成垫脚的基石,让我们越走越远。二进制虽然是计算机电路经常使用的方式,可是却是程序员对八进制、十六进制转换的桥梁。由此可见,二进制的优点真是数不胜数,这就是我对二进制的感悟。

MOSFET高频响应实战:如何用LTspice仿真内部电容效应(附模型文件) 本文深入解析MOSFET高频响应中的内部电容效应,通过LTspice仿真工具详细展示如何提取模型参数并优化高频特性。从栅极相关电容到结电容的物理本质,再到实战案例中的开关损耗分析和频率响应扫描,提供全面的设计优化方法,帮助工程师有效应对高速开关电路中的电容挑战。 阅读详情

相关推荐

Autodesk激活无无网络选项?许可类型与脱机激活排查修复指南

软件许可激活是保障正版授权正常使用的核心环节,常见的授权模式包括单机版许可和网络版许可,两者在认证机制和应用场景上有所区别。单机版离线授权依托 FlexNet Licensing Service 等底层服务组件,在断网或内网环境下为用户提供可靠的技术支持与授权验证路径。然而在实际部署中,激活窗口并不总是显示“无网络激活方式”入口,这可能与许可类型选择、网络环境干扰、组件安装残留或系统时间偏差有关。理解入口的动态呈现逻辑与排查顺序,有助于在 AutoCAD、Revit 等 Autodesk 产品中高效解决脱机

weixin_28709649的博客 359

学习二进制有感~

二进制,一个曾经只是听说过没见过的东西,现在已经渐渐地走入了我们日常的学习生活。 二进制的学习过程既简单又繁琐,简单的0和1却能产生出无数种组合,进行各种各样的转换,这给初次接触的我们带来了不少麻烦。 慢慢的,老师通过耐心的讲解和一些有意思的小游戏让我们加深了对这些枯燥的概念的理解,其中一款Csico出品的小游戏是我认为最好玩也是最能加深对二进制转换理解的 刚开始玩这款游戏时并没有理解其中的

Michaelsc1的专栏 3258

车载通信技术原理-CAN通讯和代码配置:奥迪A6轿车总线拓扑图

CAN总线是一种用于汽车监测与控制系统的串行通信协议,由德国Bosch公司开发。它具有多主工作方式、优先级仲裁、高抗干扰等特点,支持点对点、广播等多种通信方式,传输距离可达10公里。CAN协议采用差分信号传输,物理层使用双绞线,数据链路层实现错误检测、位填充等功能。协议帧类型包括数据帧、遥控帧、错误帧等。CAN总线自1986年发布以来,已成为汽车电子系统的标准配置,广泛应用于车载网络。文章还提供了S32K144芯片的CAN驱动代码示例。

擎天柱工坊 1071

计算机知识趣事,计算机二进制趣事

计算机使用二进制表示信息计算机内部是由 IC (Integrated Circuit) 集成电路这种电子部件构成的,每个 IC 内部并排排列着许多引脚,而这些引脚只能表示直流电压 0V 或 5V 两种状态。也就是说 IC 的一个引脚,只能表示两种状态。所以,也决定了计算机的信息数据只能用二进制数来处理。二进制和十进制或者八进制、十六进制,本质上没什么区别,只不过我们从开始认识数字起就是十进制,已经...

weixin_39718286的博客 410

基于springboot生鲜食品订购系统的设计与实现

近年来互联网络的迅猛发展和电子终端设备的普及,赋予了各行业充足的发展空间。微信小程序的O2O生鲜食品订购相比于传统信息技术,时效性是它最大的特色,已经在电子娱乐、经济等中发挥着举足轻重的作用。短时间内迅速扩大了线上管理系统的规模。尽管O2O生鲜食品订购已经有了很大程度的发展,但在微信小程序的O2O生鲜食品订购领域上却少有建设。

1025

ads传统功放设计笔记(3)

传统功放设计的流程一般包括以下这些步骤: 1、明确设计目标 2、选择功放管子 3、确定静态工作点 4、设计偏置电路 5、判断稳定性 6、负载与源牵引 7、输入输出阻抗匹配 8、原理图优化 9、大信号仿真 10、版图设计 11、版图联合仿真 12、pcb设计 第二节我们设计仿真了功放的原理图。之后我们需要对版图进行设计和仿真。 10、版图设计 首先将S参数控件都打叉,还要去掉电源、源负载阻抗、地、芯片、电容。在原先电容和芯片的位置加上gap,设置好长度和间隔。之后在电源引脚、输入输出引脚和隔离的两端加上端口。

qq_40995480的博客 6031

进制转换学习心得

二 , 八 ,十六 进位互转 :位元法 二,八,十六进位转十进位:次方加减法 十进位转二,八,十六进位:整数连除法 小数连乘法 此图是算法结构思路: 比如 二进位互转八进位 (100110)2=( )8 根据位元法八进制到二进制的位元是3个字符一组 也就是从右往左 100,110,那3个位元分别从右到左对应是 421,421 然后1 表示数字有效 0无效(自己的理解) 同理 继续(111011.01)2=( )8 二进制到十六进制的互转 位元是四个字符..

weixin_38976642的博客 1512

Web端百度离线地图3.0实战:从零搭建到私有化部署

本文详细介绍了Web端百度离线地图3.0的完整实战流程,从核心SDK本地化、功能模块下载到地图瓦片部署。通过逐步修改代码与配置,实现在无外网环境下的私有化部署,解决了内网或网络不稳定场景下的地图应用需求,并提供了关键的避坑指南。

n7o8p的博客 715

C语言八进制学习小结

读了一下《C语言陷阱与缺陷》,开篇的一个介绍便是八进制。说起来,这个问题在我工作的过程中还确实是遇到过。 在C语言中,以0开头的数字被识别为八进制。简单写一段代码如下:   1 #include "stdio.h"   2    3 int var1 = 123;   4 int var2 = 0123;   5    6 int main(void)   7 {   8

小灰笔记 3890

微信小程序 “net::ERR_CONNECTION_REFUSED” 报错大揭秘与破解之道

在微信小程序开发与运行过程中,“net::ERR_CONNECTION_REFUSED” 报错是开发者常遇难题。该错误意味着小程序与服务器连接建立失败,会导致功能无法使用、数据加载异常等问题,严重影响用户体验和业务运转。本文系统剖析此错误,从网络环境不佳、服务器异常、小程序配置有误等常见触发场景入手,提供网络、服务器、配置、代码等多维度排查步骤,给出针对性解决策略,如修复网络、处理服务器故障、修正配置与代码错误,还提出开发与运维阶段的预防措施,助力开发者高效解决该报错问题。

邓邓子的博客 6147

《UDS协议从入门到精通》系列——图解0x14:清除诊断信息

图解0x14:清除诊断信息,简洁易懂,迅速上手!

车载系统攻城狮 4829

程序员路上的感悟:迈向二进制安全研究员的旅程

在我选择成为一名程序员的那一刻,我便开启了一条充满挑战和机遇的道路。这条路上没有捷径,只有不断的学习与进步。如今,我的目标逐渐明晰:成为一名二进制安全研究员。这个目标对我而言,是技术的巅峰,是一场持久的战斗,需要掌握多方面的知识,包括 C++、汇编、计算机组成原理、操作系统、数据结构、Linux、逆向工程以及脱壳等。每一个领域都是一座山峰,而我正一步步攀登,迎接属于我的技术高峰。

小心信科理化声 1357

Xilinx平台SRIO介绍(五)示例工程Example Design介绍

理解IP的使用,少不了Example Design的学习。

数字IC/FPGA杂货铺,找一找,或许有你想要的~ 1万+

第十三周上机实践项目——二进制转换

/* *程序的版权和版本声明部分: *Copyright(c)2013,烟台大学计算机学院学生 *All rights reserved. *文件名称: *作者:刘中林

u012369385的专栏 1125

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

力扣每日练习-心得及感悟

哎,看了力扣上的题目,我才知道我最近看的是什么垃圾题,力扣上一道题硬控我几小时.再写题的过程中,思路很重要,不要上来就敲几行没用的代码,还有就是,备纸笔画图写思路更直观.

2401_85886817的博客 1439

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

JAVA:实现二进制转八进制算法 (附带源码)

C++:有限差分法求解JAVA:实现二进制转八进制算法 (附带源码) 一个空间维度上的两点边界值问题(附带源码(附带源码)

欢迎来到我的博客!这里是一个专注于计算机技术的分享平台,涵盖编程开发、算法研究、系统架构、软件工程等多个领域。无论你是初学者还是资深开发者,都能在这里找到有价值的内容。 1300

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

计算机的学习与感悟

我们知道,随着信息的高速发展并且渗透到了生活的方方面面,计算机成为了人们学习,工作,生活必不可少的工具。进入大学后,计算机的学习变得更加系统且有目的性。 经过六周的学习,我对计算机的学习有了些许感悟。单从计算机工程学导论学习讲,计算机的编码规则是围绕二进制的,这样就会涉及到数学中进制转化的学习。可想而知,计算机最初的作用运算,因为需要更快更便捷的运算,产生了计算机,因此学好数学对学好计算机是推动作...

Xulinwu66的博客 577

【JAVA】【刷题子】67.二进制求和

给你两个二进制字符串,返回它们的和(用二进制表示)。输入为**非空** 字符串且只包含数字`1`和`0`...

南方者的博客 484

2021-11-11

这个作业属于哪个课程 https://bbs.youkuaiyun.com/forums/csuft_swxy_C?category=0&typeId=17324 这个作业要求在哪里 https://bbs.youkuaiyun.com/topics/603228098 这个作业的目标 对上一阶段的c语言学习进行巩固以及复习 学号 20218478 一、本周作业(总分 20分) 1. 1 完成云班课的知识点总结作业,并给出截图(5分) 1. 2 请给出本章学习总结(15分) 1 学习进度条(5...

weixin_62142277的博客 356

明码问题四种方法(转载自其他博客)

问题: 汉字的字形存在于字库中,即便在今天,16点阵的字库也仍然使用广泛。 16点阵的字库把每个汉字看成是16x16个像素信息。并把这些信息记录在字节中。 一个字节可以存储8位信息,用32个字节就可以存一个汉字的字形了。 把每个字节转为2进制表示,1表示墨迹,0表示底色。每行2个字节, 一共16行,布局是: 第1字节,第2字节 第3字节,第4字节 .... 第31字节, 第32字节 这道题目是给...

Crazy__1的博客 771

暑期四

传送口 A 题意: 三个程序员比赛,遇到了若干个问题,第一个想要做问题的前几个,第三个想做问题的后几个,其余的第二个程序员做,但是现在,他们获得的问题不一定满足他们所想的条件,现在有一种操作,一个程序员可以把自己获得的问题给另一个程序员,求最少操作后,使得所有的程序员获得的问题满足他们的要求。 B 题意:有若干个数字组成的数组,找出相同数字之间的最小距离,若没有输出-1 思路:将每个数的值和索引值分别存入map中,如果原先已有索引值,则与先前存在的索引值比较大小。 C 题意:有两个数在1~n的.

weixin_45931113的博客 149

高校BBS上的100个爆笑签名档 2

51.规格严格,“工夫”到家(如今黄色泛滥的年代里,哈工大首页的这条校训很容易让人产生其他“遐想”,怪不得工大有很多人拿这个做签名档借此来搞笑呢^_^)    52.中文:婚前,她身材玲珑浮凸。   英译:婚前,她身材像个可口可乐瓶子。   中文:婚后,她变得像个水桶。   英译:婚后,她身材变得像个可口可乐的罐子。    53.神灯对挂面说:“小伙子,你只剩下最后一个愿望了,快说吧。”...

java 442

自学Java(随时放弃 计算机基础二)

自学Java第二天 俗话说:良好的基础是成功的一半(好像有这个说法)。 所以在学习一门语言之前,有大神建议我先系统补足一下有关计算机的知识。 说实话对这个建议,本宫有些嗤之以鼻。 计算机嘛,不就是电脑?! 作为一个高级打工仔,还有人能不认识这玩意儿吗? 打游戏、网购、聊天写邮件…… 电脑俨然已经成为现代社会,居家旅行必备单品。 不过本着对大神的尊重,我还是翻开了他推荐的入门扫盲书籍。(如下图) 全书共18章,380页,细细拜读之下,方知自己犹如管中窥豹,见识浅陋。 首先,今天“计算机 ”这个词被大家泛指

qq_42813089的博客 244

实验七报告

一、实验结论 part1:验证性实验 1.验证性实验2 如果事先不知道学生人数,尝试对line29做如下修改后,程序运行结果是否正确?回答问题,并给出运行结果截图。 运行结果正确 // 将file1.txt中小写字母转换成大写后,另存为file2.txt #include <stdio.h> #include <stdlib.h> int m...

weixin_30577801的博客 199

(二分, 三分, 矩阵, 矩阵运算及二进制 , 栈和队列)北理工集训 Day1—Day3

目录 一、二分 二、三分查找 三、矩阵,矩阵运算及二进制 四、栈和队列 很荣幸在暑假参加学校举办的北理工与我们学院联合举办的为期半个月的集训。 集训前三天是北理工的三个大一学生给我们讲课,每一个人都特别特别的厉害,参加ACM拿到亚洲区金奖银奖的那种,那么三天的时间虽然真的很短暂,但是收获却是巨大的。 首先整理一下这三天系统知识的收获,相应的一些算法题目在另外两篇文章单独整理出来放在北理工专栏,感兴趣的可以看看。 ...

Hdhdi的博客 946

C语言I博客作业08

这个作业属于哪个课程 https://bbs.youkuaiyun.com/forums/csuft_swxy_C?category=0&typeId=17324 这个作业要求在哪里 https://bbs.youkuaiyun.com/topics/603607790 这个作业的目标 <学习代码/思维> 学号 <20218500> 1.1找出三位水仙花数 数据表达:整型 数据处理:循环结构 打代码慢 2.1 输出三角形字符阵列 数据表达:整型 数据处理:循环结构 ...

紫の夜的博客 130
下一篇: 浅谈计算机领域及职业憧憬
极客范儿
极客范儿 新星创作者: 游戏开发技术领域 新星创作者: 游戏开发技术领域 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄12年 1万+粉丝 343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

打赏作者

极客范儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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