【51nod】2653 区间xor

墨衍会员 · AI 创作全网分发 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 200+累计阅读 203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 → 码龄7年

关注

原创最新推荐文章于 2026-11-11 22:30:24 发布 203 阅读 AI 写同款· GEO 优化 ›

Python爬虫教程：抓取短视频平台数据（以抖音和快手为例）为什么抓取短视频平台数据？内容分析：通过抓取短视频平台上的视频内容、标题、标签等数据，可以进行内容分类、趋势分析、话题分析等。情感分析：抓取视频的评论数据，并进行情感分析，帮助企业或组织了解公众的情绪反馈。用户行为分析市场监测：通过抓取特定关键词或标签下的视频数据，分析市场趋势，进行竞争对手分析。短视频平台数据类型：视频信息：包括视频标题、描述、标签、作者等。用户信息：包括用户的昵称、粉丝数、关注数等。互动数据评论数据：视频下的用户评论内容及用户信息。阅读详情

区间xor

Link

在这里插入图片描述

解题思路

在这里插入图片描述

code

#include<iostream>
#include<cstdio>
using namespace std;

int a,b;

int f(int x)
{
	if(x%4==1) return 0;
	if(x%4==3) return 1;
	return f(x-1)^x;
}

int main()
{
	cin>>a>>b;
	printf("%d\n",f(b)^f(a-1));
}

收录于

51nod

当前文章被收录于：

51nod

26 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#c++ #xor

ESP32-C3入门教程 WiFi篇①——WiFi Scan 扫描附近AP无线热点 | 堵塞等待扫描结果，回调事件通知扫描结果文章目录一、快速运行二、运行效果三、程序流畅四、关键函数4.1 扫描所有有效的AP4.2 获取上次扫描中找到的AP列表4.3 获取上次扫描中找到的AP数一、快速运行示例项目中，选择WiFi—>scan menuconfig配置ESP32C3-Specific—>Rec 0 芯片选择ESP32-C3(Built-in USB JTAG) 快速运行ESP-IDF Build, Flash and Monitor（左下角）二、运行效果三、程序流畅 esp_netif_init，初始阅读详情

相关推荐

手把手教你使用ESM-2进行蛋白质结构预测：从安装到实战

本文详细介绍了如何使用ESM-2蛋白质语言模型进行蛋白质结构预测，从环境准备、模型安装到实战应用。通过逐步指导，读者可以掌握ESM-2的配置、单序列预测、结果可视化及高级优化技巧，适用于生物信息学研究和药物开发。

weixin_29306875的博客 534

51Nod 2653 区间xor 连续数字异或和

通过规律进行计算即可。

Curren的博客 700

智能气象站：ESP32驱动的心知天气数据可视化实践

本文详细介绍了基于ESP32微控制器和心知天气API构建智能气象站的完整实践。通过Arduino开发环境，实现天气数据的获取、JSON解析与OLED屏可视化展示，涵盖硬件连接、API配置、低功耗优化及部署问题排查，为物联网开发者提供实用指南。

jump7的博客 212

【51nod P2653】区间xor【位运算】

linklinklink 分析：记录[1,b][1,b][1,b]和[1,a−1][1,a-1][1,a−1]的异或值A,BA,BA,B 和前缀和类似答案就是A xor BA~xor~BA xor B CODE： #include<iostream> #include<cstdio> #include<algorithm> #include<cstring> #define reg register using n.

绫 524

Windows11下QGIS 3.34.4安装Geo-SAM插件全流程（附RTX3060 CUDA12.0配置技巧）

本文详细介绍了在Windows 11系统中为QGIS 3.34.4安装和配置Geo-SAM插件的完整流程，特别针对RTX 3060显卡用户提供了CUDA 12.0与PyTorch环境的精准搭建方案。通过预编码与交互式分割两大核心步骤，该插件能显著提升遥感图像半自动标注的效率，降低硬件门槛，是地理信息处理领域融合AI技术的实用指南。

weixin_29089057的博客 296

使用 Simulink Real-Time 搭建一个完整的实时信号采集与滤波系统模型

本文详细介绍了基于Simulink Real-Time构建实时信号采集与滤波系统的完整流程。主要内容包括：系统配置（模型创建与参数设置）、信号采集模块搭建（模拟信号源或真实硬件连接）、实时滤波器设计（浮点/定点）、输出可视化（Scope/ToWorkspace等）、模型编译与下载到目标机、外部模式在线调试及数据保存方法。系统可实现微秒级实时信号处理，适用于工业控制、航空航天等对时间确定性要求高的场景。文章还提供了优化建议（多速率建模、优先级调度等）和应用场景说明，帮助读者快速掌握实时系统开发的核心技能。

amy_mhd的博客 304

【51nod 2653】【位运算】（异或）区间xor

异或运用

蒟蒻的OI路 724

基于深度学习的X光安检危险品检测系统（YOLOv8 + UI界面 + 数据集）

随着全球安全形势的变化，机场、车站、地铁等场所的安检工作日益重要。X光安检系统已经成为现代公共安全领域中不可或缺的部分，能够有效地检测物品的内部结构，识别潜在的危险品。然而，传统的X光图像分析方法仍然依赖人工操作，检测效率较低，并且易受到人为因素的影响。近年来，深度学习技术的应用在图像分析领域取得了显著的突破，特别是在目标检测任务中，YOLO（You Only Look Once）模型因其高效性和精度，成为了许多目标检测任务的首选模型。

YOLO 1061

51nod P2653 区间xor【位运算】

位运算

JA_yichao欢迎你 cnblogs账号：https://www.cnblogs.com/mayichao/ 472

产品路线图的三种模型（RICE/MoSCoW/Kano），教你如何对需求进行优先级排序

RICE/MoSCoW/Kano三种模型，教你如何对需求进行优先级排序。也许你会让业务提供一份ROI，记得前不久参加过一场立项会评审，一位很有意思的小产品在会上讲不清楚ROI，评审们要求会后重新梳理，小产品表达不要为难业务方干一些他们不擅长的事了。这个看似笑话的经历，背后隐藏着价值判断已经流于形式。也许你会要求业务方直接给出需求优先级列表，把任务分为P0到P5，这样的划分除了按需求本质的优先级还同时考虑了开发资源、开发难度等问题。毫不夸张地说，我曾经拿到一张全是P0级别的需求清单，如果一切任务都是高

wenyusuran的专栏 5542

AS7341可见光谱传感器原理图设计，已量产（光线传感器）

最近在做便携式环境光光谱检测项目时，我们基于 ams 的 AS7341 搭了一套硬件电路 —— 这颗芯片算是业内新一代的光谱传感 IC，8 个可见光通道 + NIR + 闪烁检测的配置，加上 6 路并行 16 位 ADC，数据吞吐能力确实够顶。今天就拆解下这个模块的硬件设计细节，聊聊实际做板时的那些考量点。

不脱发的程序猿 642

【51nod.2653】区间xor（位运算）

区间xor 输入样例 3 8 输出样例 11 解题思路区间xor模板证明过程 AC代码 #include<cstdio> using namespace std; int a,b; int num(int x) { if(x%4==3)return 0; if(x%4==1)return 1; return num(x-1)^x; } int main() { scanf("%d%d",&a,&b); printf("%d",num(a-1)^num(b));

我很菜的好吧 364

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

51Nod - 1821 思维题 + 并查集 + 二分

题意：一个集合S的优美值定义为：最大的x，满足对于任意i∈[1,x]，都存在一个S的子集S'，使得S'中元素之和为i。给定n个集合，对于每一次询问，指定一个集合S1和一个集合S2，以及一个数k，要求选择一个S2的子集S3(|S3| （集合元素可以重复） Input 第一行一个数n，（n<=1000）接下来n行，每行描述一个集合：第一个数m，表示集合

Bahuia的博客 584

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

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")

深挖C++：类和对象（中）

（先进后出）

xys_678的博客 246

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白

C++移动构造函数详解

移动构造函数是C++11引入的一种特殊构造函数，用于从临时对象（右值）"窃取"资源来初始化新对象，而不是进行昂贵的深拷贝。char* data;public:// 移动构造函数：参数是右值引用 &&// 关键：把源对象的资源置空。

拒绝AI文，努力在AI时代写出感动人心的好文章 392

ThunderKittens 深度解析：一个不基于 MLIR 的 C++ 模板 GPU DSL

Triton 是"让更多人能写 GPU kernel"，ThunderKittens 是"让会写的人写得更爽"。前者用 MLIR 换易用性，后者用 C++ 模板换可控性。它们不是替代关系，而是覆盖了 GPU 编程光谱的两端。ThunderKittens 的出现，本质上是对"GPU DSL 必须基于 MLIR"这一默认假设的挑战。编译期类型系统本身就可以是一个强大的 DSL 基础设施，不需要中间 IR，不需要黑盒 pass，也能实现 tile 级抽象和零运行时开销。

Maxwell_Newton的博客 343

跟我学c++中级篇—类型定义的方式

本文系统阐述了编程中类型定义的重要性及c++中的实现方式。重点对比了宏定义、typedef与modern using三种机制，指出using在可读性、灵活性和模板支持上的优势，推荐优先使用。同时提醒开发者注意别名滥用、类型歧义、错误信息冗长等问题，强调统一规范与合理设计。最终结论：在现代c++开发中，应以using为主，兼顾简洁性与可维护性，避免陷入命名混乱与编译困境。

fpcc的专栏 84

【C语言】字符与字符串函数

C语言中字符串为以\0结尾的字符数组，标准库函数基于此约定。本文解析字符串内存布局，详解ctype.h与string.h中字符分类、长度计算、拷贝、比较等函数的使用要点，强调长度判断与越界风险，最后通过命令行待办事项示例整合fgets、sscanf、strncpy、strcmp，展示实际应用中的关键细节。

记录在学习过程中学到的知识 352

C++ 函数模版

模板参数：● template ，T 就是类型占位符，名字可以自定义，习惯用T● 占位符可以在函数返回值、形参、函数内部当作类型使用使用要点模板代码一般写在头文件：编译器需要看到完整模板源码，才能在每个编译单元完成实例化全局函数、类内成员函数都可以写成模板实例化发生在编译阶段，不是运行时隐式实例化：调用时编译器自动推导实参类型，生成对应版本函数。

2501_94041724的博客 305

#SQLite 数据库笔记一：（概念 / 终端指令 / SQL 语句 / C 编程 / 回调函数）

数据库 = 数据的仓库，假设数据是海量。能力说明存储数据持久化保存，程序退出数据还在统计数据、分组、排序数据管理增、删、改、查（CRUD）嵌入式设备上也会用数据库（单片机网关、路由器、工业 HMI 都常见），因为 sqlite 体积小、无需服务进程、单文件即可。数据库 = 库 > 表 > 记录(行) > 字段(列)sqlite3 = 开源、C 写的、单文件、免安装、最多 2T 的嵌入式关系型数据库。

lwq20051110的博客 217

【C++ 基础入门】C++继承（下）：问题、底层原理与组合

C++继承（菱形继承的问题、虚继承原理、继承与组合、构造顺序）

2601_96587588的博客 795

蓝桥杯·全国青少年信息素养大赛·电子学会Python/C++考级备考：莫队算法离线区间查询详解

备赛进行时：第十八届蓝桥杯软件赛报名已于 2026-10-08 10:00 开启、12-18 14:00 截止，省赛定在 2027-04-10（C/C++·Python 程序设计 9:00–13:00）；中国电子学会 2026 年 12 月软件编程（C/C++ 一级至十级、Python 一级至六级）考级报名 9/23–12/2 16:00、统考 12-12；全国青少年信息素养大赛 2026—2027 赛季算法应用主题赛也已进入复盘练兵窗口。

IT_Scratch的博客 157

825 mW 顶上 212 °C：ASM491S 的 105 °C/W、250 mA 短路电流与热关断

25 °C 环境里结温 34.1 °C，125 °C 环境里结温 134.1 °C——后者已经离 150 °C 只有 16 °C 了，但还在范围内。换个角度看同一件事：从 25 °C 和从 125 °C 起算，温升都是 86.6 °C，但一个到 111.6 °C（还在范围内），一个到 211.6 °C（远远超限）。这个算例里 20 °C/W 是我假设的，实际值取决于机壳材料、密封程度、有没有风扇，跨度可以从 5 °C/W 到 50 °C/W 以上。外面 50 °C 的机箱，盒内就是 63.9 °C。

ANSILIC的博客 359

《C++ 项目：手写大模型接入 SDK》Gemini接口设计（上）：初始化、全量响应实现和测试

本文系统完成了Gemini模型通过OpenAI兼容API的接入开发，基于Apifox验证接口规范，设计并实现GeminiProvider类，涵盖初始化、状态检测、全量响应等核心功能。重点处理了代理配置强制校验、Bearer鉴权、JSON序列化与响应解析等工程细节，并通过GTest与CMake完成单元测试，验证链路可用性。项目遵循策略模式，保持与DeepSeek、ChatGPT等模型的统一抽象接口，显著提升SDK可扩展性。

2501_91275995的博客 393

【容斥原理计数】题解：P9489 ZHY的表示法_容斥原理_计数问题_前缀和问题转化_算法竞赛C++

给定 $ n $ 个正整数，求区间 $[l,r]$ 中有多少正整数 $ x $ 可表示为 $ \sum \lfloor \frac{y}{x_i} \rfloor $。通过二分确定最大 $ y $，转化为求 $ 1 \sim H $ 中是某些 $ x_i $ 倍数的数的个数，利用容斥原理与 DFS 枚举子集计算，结合 LCM 预判剪枝及去重优化，时间复杂度 $ O(2^n \log V) $，可高效处理 $ r \le 10^9 $ 的数据。

YLCHUP的博客 42

头歌数据结构——C&C++线性表实训

本系列任务围绕线性表的链式实现，依次完成顺序构建、逆序构建、排序插入、查找、删除、求长度及栈、队列、集合等应用。通过动态内存分配与指针操作，掌握单链表的基本操作与实际应用，涵盖插入、删除、遍历、搜索等核心功能，最终实现数据结构在典型场景中的灵活运用。

一名敲代码的苦13程序员 239

上一篇：【51nod】3047 位移运算

下一篇：【51nod】2102 或减与

手把手教你使用ESM-2进行蛋白质结构预测：从安装到实战

weixin_29306875的博客

03-29

534