【总结】2022.01.19期末总结

2022年3月电子学会Python等级考试试卷(二级)答案解析 目录 青少年软件编程(Python)等级考试试卷(二级) 分数:100题数:37 一、单选题(共25题,每题2分,共50分) 1. 关于Python中的列表,下列描述错误的是?( ) 2. 已知列表a=[1,3,5,7],下列语句无法将a变成a=[1,3,5,7,9]的是?( ) 3. 关于以下代码段的说法错误的是?( ) 4. 下面程序的运行结果是?( ) 5. 以下关于元组的描述正确的是?( ) 6. 以下程序的输出结果是?( ) 7. 以下代码的输出结果是?( ) 8. 以下.. 阅读详情

友链

先空着,到时候再说。

前言

上了初三之后就没有写过总结了,因为没时间 (懒得写) 。
初三学习莫名其妙压力贼大,周围的人都在卷,老师也在催着卷,使得我们不得不卷。(其实感觉卷没卷都差不多,徒增压力耳)

终于又到了集训期间,又到了翻旧账的时候,又看到了以前写的总结。
所以就想起来:原来我还没写总结啊。
(在 c s d n csdn csdn 写 w h k whk whk 总结是不是不太好啊)

D a y   − N Day~-N Day −N

天天卷,卷成狗 (腐成狗)。
每天晚修提心吊胆——谁谁谁是不是又早我写完作业开始刷题,我是不是又抱着本《简爱》在那乱颓。看完之后告诉自己不能腐了,结果就学不进去了。

每次路过乒乓球场,告诉自己不能浪费时间,但还是屁颠屁颠跑过去了。期末考前一周特地没带拍,还是跑过去了(我没有自控能力)。

D a y   − M Day~-M Day −M

体育考和英语口语,写一起吧。
体育久违的考了单杠,我才 9 9 9 个,身边大佬人均比我多。
跑步的时候稍微提了一下速,冲线的时候是班一, 3 m i n 29 s 3min29s 3min29s。(真正的班一不屑于和我们跑,最后跑了 2 m i n 55 s 2min55s 2min55s,真的不是人。)

口语考试考得稀烂,在家考试,电脑+耳机产生了奇妙的降分反应(其实就是我太菜了),只有 25.99 p t s 25.99pts 25.99pts (只有无限接近 26 p t s 26pts 26pts 才能领悟 26 p t s 26pts 26pts 的真谛—— y r d yrd yrd),回来被英语老师骂了个狗血淋头。

D a y   0 Day~0 Day 0

难得认真复习了一次历史(然而并没有用)。
D a y   1 Day~1 Day 1 全是文科,所以其实我也不知道复习了啥?

D a y   1 Day~1 Day 1

连续三次月考语文前都吐了,而且一次比一次惨,我愿称之为 “考前综合征” 。

语文

语文一生之敌。
本来感觉自己写得还不错了,选择题全对,作文 44 p t s 44pts 44pts(人生高光)。
然而成绩一出才 106 p t s 106pts 106pts ?!
阅读题 17 p t s 17pts 17pts 才给我 8 p t s 8pts 8pts 。
我不当人啦!!!

历史

已弃疗, 78 p t s 78pts 78pts, 9 9 9 道选择,天知道我怎么考的。
好像是 20 m i n 20min 20min 写完选择题,一直在胡思乱想,考试结束前 15 m i n 15min 15min 才写完试卷。

政治

意外的考得还行, 1 1 1 道选择题,考的时候心态稳健,一通乱写, 91 p t s 91pts 91pts。

化学

心态稳健,正常发挥,一通乱写 97 p t s 97pts 97pts ,也不知道怎么扣的 3 p t s 3pts 3pts 。

晚修

第二天都是理科(其实还有英语),自信不复习。
当时前桌跟我说:“谁给你的自信?”
事实证明他说对了。

D a y   2 Day~2 Day 2

英语

确实是心态稳健,开门红,第一题就错了。
短文填空 w r i t t e n written written 写成 w r o t e n wroten wroten ,我还不如写 w r o t e wrote wrote ……
作文只有 13 p t s 13pts 13pts ,笔试 82.5 p t s 82.5pts 82.5pts ,加上爆炸的口语还不到 110 110 110……
所以后面被英语老师训了 1.5 h 1.5h 1.5h 。

数学

稳定发挥,考得稀烂, 1 1 1 道选择 +   1 +~1 + 1 道填空。
《规律题从二开始》

物理

超常发挥,对了别人没对的题,错了别人没错的题,稳定退步, 96 p t s 96pts 96pts。
回头可能又会被老师说,三次月考都退步。

总结

初 三 光 阴 似 流 水 , 卷 到 最 后 几 人 归 ? 初三光阴似流水,卷到最后几人归? 初三光阴似流水,卷到最后几人归?

语文数学英语政治历史物理化学级排
106112108.49(91)(78)969719
单细胞分析(16)—— RNA Velocity 分析流程 RNA velocity 是一种强大的单细胞转录组分析工具,它可以预测细胞的未来状态,揭示发育轨迹,并用于探索细胞状态转换。RNA velocity 是一种通过单细胞 RNA 测序(scRNA-seq)数据推测细胞未来状态的分析方法。🚀**RNA velocity 提供了一个全新的角度来理解细胞的动态变化,为单细胞转录组分析带来了更深入的时空信息! 阅读详情

相关推荐

STM32外围电路硬件解析

复位 :让MCU回到最开始的状态。并且从头开始,重新执行程序 我们什么时候需要复位? 1.烧录的时候 2.程序跑飞了的时候 3.上电复位(上电的时候需要复位) 复位方式: 1.上电复位: --- 一定要有 MCU的Reset是复位引脚,当这个引脚为低电平时,

qq_39577221的博客 1万+

信号与系统2022年期末考试命题

对2022年信号与系统考试明天说明。

TSINGHUAJOKING 2454

已过tiktok校招客户端,面经分享

面试的话, 一天面完3面, 效率很高, 三天之后就发了offer 字节邮件里面也说了不能泄露面试题, 那我就把我秋招参与美团,字节,腾讯,阿里面试被问到的全部问题总结着写出来了, 这其实是我每一轮面试完之后我都会总结哪里答对了, 哪里没有答对, 总结了一大堆问题出来. 答案未必正确, 我只是给自己写了个简单的一句话概括, 可能不够完善, 建议看官自行回答一下这些问题 二本非科班, 暑假在字节实习过, 不过不是tiktok部门, 因此秋招就没啥时间准备面试了, 只投了几个大厂, 顺便也在字节跨部门转正,

a1472750149的博客 1306

山东大学软件学院2022年春操作系统期末考试

山东大学软件学院2022年春操作系统期末考试(B卷)

笔记 4944

地瓜派RDK X5部署YOLOv11n避坑指南:手把手教你解决Softmax算子导致的性能暴跌问题

本文详细介绍了在地瓜派RDK X5开发板上部署YOLOv11n模型时遇到的性能问题及解决方案。通过强制BPU部署Softmax算子,成功将推理速度从7FPS提升至47FPS,并提供了完整的优化流程和技术细节,帮助开发者避免类似性能陷阱。

weixin_42629671的博客 268

TCNOpen实现TRDP通信协议(源码编译运行测试)

概述 本文介绍了通过TCNOpen开源源码实现TRDP通信,包括源码下载,开发环境搭建,编译运行,测试。 Linux环境下编译运行TRDP (一) 下载CANOpen源码。 下载地址:https://sourceforge.net/p/tcnopen/trdp/HEAD/tree/ (二) 源码编译 下载源码解压过后,在根目录文件readme-makefile.txt有介绍源码的配置和编译方法。 在trdp/config目录下可以看到包含在linux环境下的编译配置文件LINUX_config;执行”m

fengweibo112的博客 9630

哈工大本部2022形式语言与自动机期末试题

2022年05月08日星期天,本人经历了形式语言与自动机考试,现将回忆版试题呈现如下,供大家参考。 学长正常情况下只能每科考一回试,希望学弟学妹们日后可以薪火相传。 注:试卷本人只能记住大概意思,记不住具体是怎么描述的,故仅供参考。 PDF版本将于近期上传至Github:HITSZ-OpenCS项目中,敬请关注~ 1.请为以下语言设计DFA:L={w∈{0,1}∗∣w既包含00,又包含11}L=\left\{ w\in \left\{ 0,1 \right\} ^*|w\text{既包含}00\.

记录与分享 3995

【OpenClaw从入门到精通】第02篇:5分钟速通!阿里云/华为云一键部署OpenClaw(附避坑指南·2026实测版)

本文聚焦OpenClaw的云端部署场景,针对本地部署“关机即离线、跨设备访问难”的痛点,详解阿里云(主推)和华为云(备选)的一键部署流程。2026实测验证:阿里云轻量应用服务器通过官方OpenClaw镜像可5分钟完成部署,华为云Flexus L实例需补充SSH配置步骤;文中拆解云端部署核心概念(地域选择、端口放行、成本构成),通过“AI助理定时抓取行业资讯并推送钉钉”的虚拟案例演示云端7×24小时运行价值,同时提供模型调用、服务器成本的精细化控制方案,梳理端口访问失败、API-Key权限异常等高频坑点的解决

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 5542

2025雨课堂学术规范与论文写作期末答案XDU

本文提供2025年西电雨课堂"学术规范与论文写作"期末考试的搜题版参考答案,共包含50道题目,内容涵盖论文写作规范、学术道德、期刊投稿等方面。说明此答案为参考版本,建议结合往年考题和评论进行核对。同时提供了相关课程的往年考试答案资源,供考生复习参考。

黑仔要睡觉的博客 573

DataEase 未授权+远程代码执行漏洞复现(CVE-2025-49001、CVE-2025-49002)

DataEase 是一款开源的数据分析平台,提供丰富的数据可视化和分析功能,帮助用户轻松地进行数据探索和决策支持。近日,有关DataEase 被爆出多个漏洞,其中 CVE-2025-49001 是由于JWT校验机制错误导致攻击者可伪造JWT令牌绕过身份验证流程,CVE-2025-49002 是由于H2数据库模块没有严格过滤用户输入的JDBC连接参数,可使用大小写绕过补丁。攻击者可利用这些漏洞实现未授权代码执行,威胁用户数据和系统的安全。

李同學AI安全 1947

环境仿真软件:MIKE 21_(9).MIKE21水生植物模块介绍

MIKE21支持多种水生植物的模拟,用户需要在配置文件中定义植物种类及其特性。</</</</</</</</</假设我们需要定义一种新的水生植物“水葫芦”(Water Hyacinth),并将其特性写入配置文件。# 创建XML根元素# 定义新的植物种类# 生成XML文件假设我们需要分析仿真的水流速度变化,并绘制水流速度随时间变化的图。# 读取NetCDF文件# 获取水流速度数据# 获取时间数据# 绘制水流速度随时间变化的图plt.xlabel('时间 (天)')

kkchenjj的博客 726

最近上市银行绿色信贷相关数据(截至2022年)

36家上市银行主要数据包含绿色信贷余额 流动性比例(率) 资本充足率等,2007-2022年年度数据。2007-2022年银行年报、社会责任报告、相关金融数据库。亿(社会责任报告就是这么说的)2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。2007-2022年。绿色信贷余额(亿元)

T0620514的博客 895

图神经网络与大模型融合的理论综述:架构、机制与未来方向

然而,它们普遍缺乏对图结构数据的原生支持,无法直接处理边、节点之间的拓扑关系,这限制了其在关系密集型任务中的表现 [23]。2020年发布的BERT [16] 开启了自监督预训练时代,而2021年后,T5 [17]、PaLM [18]、LLaMA [19] 等模型相继推出,参数规模突破千亿级,展现出惊人的上下文学习(In-context Learning)与链式推理(Chain-of-Thought)能力 [20]。例如,将医学影像作为图节点,结合病理报告文本,实现更精准的疾病诊断 [58]。

andeyeluguo的博客 295

小学生C++趣味编程 2022.01.02 测试题

小学生C++趣味编程 2022.01.02 测试题

青少年趣味编程 574

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

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")

杭州电子科技大学计算机组成原理期末试卷,杭州电子科技大学计算机组成原理期末样卷(A)-答案.doc...

精品文档,知识共享!!!杭州电子科技大学计算机组成原理期末样卷(A)?杭州电子科技大学学生考试卷(A)卷答案一.单项选择题(20分,每题1分)1.D????????????? 2.????? C??????????????? 3.????? C??????????????? 4.????? D??????????????? 5.????? C6.? D??????????????? 7.?????...

weixin_39780784的博客 401

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

钶锐锶冲刺科创板:年营收3亿 应收账款账面价值1.76亿

蒙昌敏,1981年出生,大专学历,电子商务专业。IPO前,中润投资持股为29.2%,蒙昌敏持股为17.55%,南山阿斯特持股为6.64%,龙华产业基金持股为6.25%,隐山致能持股为5.42%,工业母机基金持股为4.76%,姚丹持股为3.67%,长盈鑫投资持股为2.88%,瀚达二号持股为2.15%,国合开研基金持股为2.13%;上海铼科兴持股为0.19%,李立持股为0.17%,潜龙一期持股为0.16%,潘兆伦持股为0.13%,李志坚持股为0.12%,王鑫栋持股为0.11%。

leijianping_ce的博客 956

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

瑞立科密深交所上市:募资19亿 首日上涨50% 公司市值114亿

IPO后,瑞立集团持股为48.1209%,深创资本持股为6.1106%,张佳睿持股为5.5501%,科金控股持股为3.5701%,达晨创投、海汇科创分别持股为2.2915%,杨春来持股为1.5699%,陶保健持股为1.2488%,林春琴持股为0.59%,周雪钦持股为0.4307%,汪德舟持股为0.3277%,李祉颐、张帆、龙元香分别持股为0.2553%;报告期各期末,公司应收账款账面价值分别为6.22亿元、5.76亿元和6亿元,占资产总额的比例分别为27.49%、21.95%和 21.11%。

leijianping_ce的博客 601

信息学竞赛中的数学 习题集1081-1090(10题)

信息学竞赛中的数学 习题集1081-1090(10题)

青少年趣味编程 522

扬帆优配|机构预计A股转折点将现

将时间区间拉长,19股的股东户数连续下降5期以上,连降时间较长的有诺思格、川恒股份等,其间,诺思格最新股东户数为3970户,已连续减少12期,累计降幅为61.85%,川恒股份股东户数连降9期,最新户数为2.94万户,累计降幅30.52%,股东户数连降期数较多的还有奇正藏药、中欣氟材、阳光照明等。最新一期筹码会集股3月1日以来平均跌落3.04%,涨幅居前的有诺思格、润泽科技、鼎捷软件、盛达资源等,分别上涨21.01%、18.97%、18.71%、17.04%。最新筹码会集股来了,19股连续5期筹码会集。

csdn158158的博客 506

BUAA数据结构2023级期末考试第一题

2.存储【学号】【时间】【次数】信息,同时通过遍历1.中提到的数组数据填入时间与次数信息,需要考虑的是输出数据精度,我们选择将始末时间先转化为s相减后再转化为小时来保证数据准确。:以字母B(表示本科生)、M(表示硕士研究生)和D(表示博士研究生)开头,其它六位均为数字的符号串,如B230011、M236123、D220456。分别表示时、分、秒,采用24小时制,时间不存在跨天的情况,时、分和秒间以一个空格分隔。请根据输入的运动打卡记录,统计并输出每位学生的锻炼时长和打卡次数。

shhy6的博客 753

格利尔在北交所上市:市值突破9亿元,朱从利夫妇为实控人

格利尔在北交所上市

beiduocaijing的博客 1200

推荐2022年有微信小程序毕业设计需求的70多个作品

微信小程序毕业设计

杭州.黄老师 6963

华纬科技冲刺A股上市:毛利率下降幅度较大,金雷为实控人

华纬科技在招股书中表示,该公司生产的弹簧产品已成功进入了吉利、长城、比亚迪、红旗、长安、北汽、上汽、奇瑞、江淮、小鹏汽车、威马汽车、领克汽车、一汽东机工、瑞立集团、万都、万安科技、南阳淅减、法士特等客户供应链体系中。但华纬科技在招股书中称,该公司主要客户为吉利集团、比亚迪、瑞立集团、一汽东机工、南阳淅减、长城汽车等知名汽车主机厂及汽车零部件企业,信誉良好,货款回收较为及时,该公司应收账款发生坏账损失的可能性较小。目前,该公司的注册资本为9666万元,法定代表人为金雷,股东包括浙江华纬控股有限公司、金雷等。

beiduocaijing的博客 2万+

数智交院被终止注册:曾拟募资15亿 交投集团是实控人

雷递网 雷建平 1月29日浙江数智交院科技股份有限公司(简称:“数智交院”)日前IPO被终止注册,数智交院曾准备在深交所创业板上市。数智交院原计划募资15亿元,其中,7亿元用于生产能力提升项目,4.33亿元用于创新研究中心建设项目,5359万元用于营销服务体系建设项目,3.14亿元用于补充流动资金。年营收26亿数智交院是一家为综合交通、城市建设等领域提供规划、咨询、勘察设计、项目、管理等专业技术服...

leijianping_ce的博客 163

九安医疗上半年净利152亿:同比增27728% 李志毅减持

雷递网 雷建平 8月29日报道天津九安医疗电子股份有限公司(股票代码为:“002432”,简称:“九安医疗”)今日发布财报。财报显示,九安医疗2022年上半年营收为232.67亿元,较上年同期的5.69亿元增长3989.07%。九安医疗2022年上半年净利152.44亿,较上年同期的5478万增27,728.49%;扣非后净利为152.86亿,上年同期的扣非后净亏损为479万。获得美国大单九安医疗...

leijianping_ce的博客 312

西山科技将于12月6日上会:年收入2亿元,耗材收入成为新增长点

西山科技将于12月6日上会

beiduocaijing的博客 625
上一篇: 【总结】2021CSP爆炸记
下一篇: 【POJ】1066 Treasure Hunt
SSL_GYX
博客等级 码龄7年 103粉丝 297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
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