相关推荐
CSP 2020 S 蒟蒻的游记 (洛谷同步)
我是傻逼,第一次考,太没有经验了 T1: 毒瘤模拟… 我 if + 计算函数 打+调了2小时 。。。 样例WA了 心态炸了… T2. 我没学过如何计算并保存一个数的每一个二进制位… 但是,蒟蒻也是个S选手嘛 于是,推了一个不是很靠谱的式子 过了一个样例,另一个少了一点值 而且,我考后恍然大悟,我数组怕炸,只开了60分的大小 我完全可以开大点的 祝所有人都可以AK 文章没完 这里讲一下做法: 一个 map 映射+unsigned long long (ull) 就基本可以水过了 还是蒟蒻太菜了,我就是事后诸
单调栈 超短超明白讲解 #记住我
单调栈 没错,又是我来搞事情了 1.概念:一个栈,满足:任何时候栈顶到栈底的所有元素是有序的 即排序过的 但是,一般是在插入时 顺便排序 取出和正常的一样,不写了 可以自己写数组,也可以 STL cpp的福利 插入: 代码: void insert(int val) { while (!s.empty() && val < s.top()) s.pop(); s.push(val); } 这种:越顶上越大 单调栈支持栈的所有操作 单调队列也差不多 可以去看看我即将发的博客
Kubernetes多网卡环境下Calico网络配置避坑指南:如何精准指定业务网卡
本文针对Kubernetes多网卡环境下Calico网络配置的常见痛点,提供了精准指定业务网卡的实战指南。通过深入分析Calico的IP自动检测机制,详细解读并对比了五种IP_AUTODETECTION_METHOD配置方法(如interface、cidr、can-reach等),帮助运维人员从根源上解决网络分区和Pod通信失败问题,确保生产集群网络的稳定与可靠。
十字相乘法 介绍
十字相乘法是一个公式 (a+p)(a+q)=a2+(p+q)a+pq(a+p)(a+q)=a^2+(p+q)a+pq(a+p)(a+q)=a2+(p+q)a+pq 为什么叫做十字相乘呢,是有原因的。 图解十字相乘法主要用于因式分解,是逆运算。而上面的是公式。 逆运算 a2+(p+q)a+pq=(a+p)(a+q)a^2+(p+q)a+pq=(a+p)(a+q)a2+(p+q)a+pq=(a+p)(a+q) 附上我手绘的图片 其实,图用的很少,主要就是公式。 栗子: a2−a−30的因式分解为:(a−6)(
基于FPGA低频方波测量-频率与占空比
基于FPGA低频方波测量-频率与占空比
PLL锁相环性能上不去?可能是电荷泵的电流失配在捣鬼(附Jae-Shin Lee经典方案解析)
本文深入分析了PLL锁相环性能瓶颈的根源——电荷泵电流失配问题,详细解析了Current Mismatch和Current Deviation的区别及其对系统的影响。重点介绍了Jae-Shin Lee的多级电流镜技术,该方案通过运放构建虚拟短路和四级电流镜结构,显著降低了电流失配,使参考杂散改善15dB以上。文章还提供了从仿真到流片的完整优化流程,帮助工程师系统解决电荷泵性能问题。
2020 CSP 提高组+普及组 初赛 题目小结 第三期
来啦!!!我好像是全网第一个发的 1.一个8分钟的视频,每秒播放24帧,每帧为一个2048*1024+32位的图片。请问这个视频占用多少空间? 答案:90G 2048 * 1024=2^11 * 2^10 = 2^21 32位=4B 2^21 * 4 B= 2^23 B=2^13 KB= 2^3 MB=8 MB 每个图片8MB,共有 8 *60 *24 =11520张,则有 11520 * 8 MB=92160MB=90G 这空间有点小啊 2.链表特点:??? 选项忘了,答案是 不支持随机访问。为什么我选这
用AI+Playwright实现零代码UI自动化测试:以登录页面为例的实战指南
本文详细介绍了如何利用AI与Playwright结合实现零代码UI自动化测试,特别以登录页面为例进行实战演示。通过自然语言描述生成测试脚本,大幅降低技术门槛,提升测试效率,并支持跨浏览器验证。适合非技术人员快速上手专业级自动化测试。
2020CSP 提高组+普及组 初赛 题目小结 第一期
这是一篇好文章,小结了一些选择题,有提高组和普及组 1.在44的表格里,选择两个格子,使它们不在同一列也不在同一行,有几种方法??? 选项忘了… 答案:72 组合数的计算:C(16,2)-4C(4,2)-4C(4,2)=120-46-4*6=72 总的方法减去在同一列或在同一行,得到结果。 2.是谁引入熵并开创信息论??? A.欧拉 B.冯诺依曼 C. 香农 D.图灵 选择C 常识题 还会有第二期的,谢谢阅读 ...
超详细的YOLOv8项目组成解析:一站式指南了解其架构与组件
最近的更新是关于“Segment ONNX Runtime example”的,意味着它添加了对ONNX运行时的支持,特别是针对模型分割功能的支持。这些文件和文件夹共同工作,以确保 YOLOv8 的文档是全面的、多语言的,并且始终保持最新。这些示例涵盖了从基本的对象检测到更复杂的图像分割和视频处理任务,为开发者提供了丰富的学习资源和应用指导。最近的更新也是关于 ONNX 运行时示例。这些文件夹共同构成了 YOLOv8 的基础框架,从数据处理和模型配置到实际的训练和推理引擎,以及实用工具和高级功能的实现。
STM32CubeMX 6.4.0 + STM32F407ZGT6 实战:基于YT8512C PHY的lwIP以太网配置与调试
本文详细介绍了使用STM32CubeMX 6.4.0为STM32F407ZGT6微控制器配置YT8512C PHY芯片,并成功移植lwIP以太网协议栈的实战过程。文章从硬件差异分析入手,逐步讲解时钟配置、ETH外设设置、PHY寄存器适配以及lwIP协议栈剪裁等关键步骤,旨在帮助开发者解决非标准PHY芯片的联网难题,最终实现网络连通与Ping测试。
c++ 求gcd的三种完美代码
gcd(x,y)指x和y的最大公约数 三种求法分别为 位运算,高精度,优化的高精度。 int gcd(int x,int y) { while(y^=x^=y^=x%=y); return x; } int gcd(int x,int y) { while(x!=y){ if(x>y) x=x-y; else y=y-x; } return x; } int gcd(int x,int y) { while(x!=y){ while(x&1==0)x>&g
Google Earth Engine——使用STARFM 图像融合算法将Landsat 和 MODIS 融合得出2000-2023 NDVI长时序图(空间分辨率为 30 米、时间分辨率为 16 天)
非本地入侵物种是全球生态系统面临的主要威胁之一。野葛(Pueraria montana)是一种生长迅速的藤本植物,原产于亚洲,现已入侵美国一些地区,因此该物种的管理成为一个重要问题。利用 Landsat 和 MODIS 平台收集的数据,计算了 2000 年至 2015 年肯塔基州三个侵扰地点的归一化差异植被指数(NDVI)估算值。使用 STARFM 图像融合算法将大地遥感卫星和 MODIS 得出的 NDVI 结合成空间分辨率为 30 米、时间分辨率为 16 天的时间序列。
关于满k叉树节点数量问题
关于满k叉树节点数量问题 1.m层满k叉树有 (1-k^m)/(1-k) 个节点 **k^m表示k的m次方 楼主不会打乘方的符号,有人教教吗 2.m层满k叉树有 [k^(m-1)]/(1-k) 个非叶节点 3.m层满k叉树有 k^(m-1) 个叶节点 谢谢阅读 ...
YOLO26改进 - C2PSA | C2PSA融合CPIASA跨范式交互与对齐自注意力机制 : 交互对齐机制,提升小目标与遮挡目标判别力 | ACM MM2025
本文介绍了跨范式表征与对齐Transformer(CPRAformer)及其核心的跨范式交互与对齐自注意力机制(CPIA - SA),并阐述了其在YOLO26中的结合应用。传统图像去雨模型特征提取局限大,CPIA - SA通过协同“空间 - 通道”与“全局 - 局部”范式解决该问题,由SPC - SA、SPR - SA和AAFM子模块构成,经双路提取、动态过滤、空间细化、对齐融合四步工作。我们将相关代码引入指定目录,在`ultralytics/nn/tasks.py`中注册,配置`yolo26 - C2PS
OV9734 DATASHEET,完整规格书
OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等
一些c++实用操作知识 第一期 #记住我 #O2,打消缓存(流输入输出优化)
一些很实用的知识 第一期 如果有人气,再出第二期 洛谷 可以开O2优化,但是,c++是可以手动开O2 优化的,不过,如果你在noip上开O2 ,你就没了 代码:cpp #pragma GCC optimize(2) 有些时候,O2优化效果还是很明显的 可以玩玩 2.cin,cout 是最基本,最简单最垃圾的输入输出方式 ,其琦 基本,简单垃圾在时间较scanf,printf更慢。但是,如果把她的输入输出缓存打消掉,就会和scanf,printf差不多快了 。 代码:cpp ios::sync_wi
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。
2020 CSP 提高组+普及组 初赛 题目小结 第四期
好东西 1.广搜一定要用的数据结构 答案:队列 常识 2.一个图,有n个结点和e条边,用邻接表储存,用深搜的时间复杂度是??? 答案:O(n+e) 既然是用邻接表,那么,就是依次访问每一结点和边,即n+e 3. …(二分图介绍)一个二分图有24个结点,那么它最多有几条边??? 答案:144 首先将点集分为 24/2=12 的两部分,每部分的一个点向另一部分的每一个点连一条边,即:12*12=144 条 还有后期,谢谢阅读 ...
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")
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)
2020 CSP 提高组+普及组 初赛 题目小结 第五期
又出一个啦 1.下列哪些问题不能用贪心解决??? A. 霍夫曼编码 B.0-1背包 C.最小生成树 D.单源最短路径 选B。 A:用最优二叉树解决。 B:只能用DP。不能贪心 C:Prim是通过贪心求最小生成树的算法。 D:额,常识。 2.学生人数:%3=2,%5=3,%7=4.人数范围??? 50~60 易得人数为53人。 谢谢阅读,希望这一专栏可以帮助大家 ...
2020CSP 提高组+普及组 初赛 题目小结 第二期
第二期来啦 1.a,b,c,d,e,f.进栈,进栈,出栈,进栈,进栈,出栈。栈底是??? 选a 简单的栈,模拟一下就行了,有手就行 2.一个2048*1024+32位的图片,占用多少空间??? 8MB 2048 * 1024=2^11 * 2^10 = 2^21 32位=4B 2^21 * 4 B= 2^23 B=2^13 KB= 2^3 MB=8 MB 还有第三期,谢谢阅读 ...
三角函数学习笔记
博主之所以想写这个,是因为我学一次忘一次。。。 希望本文会给您带来完美的阅读体验。 ----------------------------------------------分割线先生------------------------------------------------------ 1.三角函数又名圆函数,这是因为它既可以定义为直角三角形两条边的比例,又可以表示单位圆上各种线段的长度等。当然,它也与微分方程有关,可是蒟蒻不会。 2.三角函数由欧拉创立。 本文介绍三角函数与三角形有关的知识。 --
c++ 快速输出 快写 int类型
inline void write(int x) { if(x>9)write(x/10); putchar(x%10+'0'); } 思路:递归,分解,用putchar以字符的方式输出,达到“快速” 谢谢阅读
如何卡爆SPFA
这是一个快乐的话题 前置知识:SPFA求最短路 老师说,如果把图搞得很长,很窄(有点像链或树的形状) SPFA的时间复杂度的常数(K,平均值为2)给搞得很大 大常数乘上边数E SPFA爆炸了!!! 所以 推荐别用SPFA 用弗洛伊德 这个最快【嘻嘻】 谢谢阅读 ...
【数据结构-5】单链表的实现
单链表,具体来说是单向的、不带头的、不循环的链表。链表由一个一个节点组成,每个节点分为数据域和指针域,数据域存放数据,指针域存放下一节点的地址。这样,就可以根据指针域中的地址找到下一个节点,节点就串起来了构成了单链表。
pandas 深度入门:从数据结构到一份真实销售报表
本文系统讲解Pandas核心应用,从三分钟安装到完整月度报表生成,涵盖数据读取、清洗、筛选、分组聚合、表连接、透视表与时间序列等13个关键环节。强调“先看数据再动手”,掌握Series/DataFrame/Index结构本质,熟练运用loc/iloc、merge校验、agg/transform区别,通过真实案例实现高效报表自动化,告别手动Excel操作。最后提供性能优化与高频报错解决方案,助力读者快速上手,真正实现“写二十行代码,跑三秒出结果”。
数据结构的基本概念和算法的初步认识
本文系统阐述数据结构与算法的基础概念,涵盖数据、数据元素、数据对象的层次关系,数据结构的三要素(逻辑结构、存储结构、数据运算),以及抽象数据类型。重点解析算法的特性与设计要求,并深入讲解时间复杂度分析的核心——大O表示法,通过“只保留最高阶项、忽略常数系数、取最坏情况”三大原则,结合实例剖析O(1)、O(n)等常见时间复杂度,揭示算法效率的本质评估方法。
数据结构:9.Map和Set
有的讲解会说这里key是标识作用,这种说法其实没有太大意义,就算知道了他是标识value的作用又如何,在实际的使用过程中,我们只会根据具体的效果选择使用的方法等,不会执着于“标识”这种说法。2.由于哈希函数的设计原则太过理论,它仅仅是在认为:这些通过关键码算出来的index不同 的情况下设计的,然而这种理论化的设计原则在遇到冲突时,恰恰就出现了问题,而我们能做的,就是降低冲突率。虽然哈希表的使用过程中存在冲突,但是在实际的使用过程中,哈希表的冲突率是不高的,冲突的个数是可控的。
982



被折叠的 条评论
为什么被折叠?



