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
100+累计阅读
193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
记录每个位置的1和0的差的个数，如果以前出现过这个数，那么答案有可能就是二者的差。
class Solution {
public:
int findMaxLength(vector<int>& nums) {
int maxLength = 0;
unordered_map<int, int> mp;
int cnt = 0;
mp[cnt] = -1;
int i = 0;
for (int x : nums) {
cnt += x == 1 ? 1 : -1;
if (mp.count(cnt)) maxLength = max(maxLength, i - mp[cnt]);
else mp[cnt] = i;
i++;
}
return maxLength;
}
};
LeetCode千题之路
基于DE2-115红外解码实验
基于DE2-115红外解码实验 一、 功能描述 在同一个遥控电路中通常要使用实现不同的遥控功能或区分不同的机器类型， 这样就要求信号按一定的编码传送，编码则会由编码芯片或电路完成。对应于编码芯片通常会有相配对的解码芯片或包含解码模块的应用芯片。在实际的产品设计或业余电子制作中，编码芯片并一定能完成我们要求的功能，这时我们就需要了解所使用的编码芯片到底是如何编码的。只有知道编码方式，我...
求集合的交集/差集
先利用外部排序使两个磁盘文件有序，然后顺序读取两个文件，使用双指针求交集。在进阶 1 中，我们是通过双指针去做的，最坏情况下我们需要完整遍历。时，O(n log m) 可能明显优于 O(n + m)。的，这就使得我们可以通过从 1~1000 遍历来确定交集。，它们已经按非降序排序，请你返回两个数组的。和上一题的区别在于，这里需要找到重复的元素。返回一个数组，数组中的每个元素在。的每个字符串中都出现的共用字符（**注意：**列表中的整数可以按。较小，可以完整加载到内存，而。正整数组成的一个非空数组，按。
Python-uiautomator2保姆级安装指南：从环境配置到设备连接全流程
本文提供Python-uiautomator2的保姆级安装指南，涵盖从环境配置到设备连接的全流程。详细介绍了Python 3.6+、ADB工具等核心组件的准备，以及uiautomator2的安装和设备端服务初始化步骤，帮助开发者快速搭建Android自动化测试环境，避免常见问题。
LeetCode Hot 100 二叉树专题（二）3 题（Java）
本篇文章共 3 题：543. 二叉树的直径、102. 二叉树的层序遍历、108. 将有序数组转换为二叉搜索树。 每道题都统一按「① 题目分析 & 解题思路 → ② 常见解法（附代码）及讲解 → ③ 知识点总结」的顺序组织；代码使用 Java 编写，节点定义沿用 LeetCode 默认的 TreeNode。
从零做出可发布的2D冒险游戏！Unity全流程实战指南：从资源搭建到打包发布，新手也能跟着做
项目配置→资源导入→核心模块开发→关卡设计→调试→打包发布；玩家控制→敌人AI→道具系统→UI系统→游戏管理器→音效系统；新手开发重点：先实现核心玩法（移动、跳跃、攻击），再补充UI、音效、存档等辅助功能；调试是关键：每实现一个功能就测试，避免最后一堆bug难以定位。从零做一款完整的2D冒险游戏，能快速提升你的Unity综合能力——不仅能掌握C#编程、2D物理、UI系统，还能理解游戏开发的完整流程。先做出基础版，再慢慢迭代优化，你会发现游戏开发并没有想象中那么难。
如何用谷歌插件Apollo.io高效开发客户？手把手教你避开常见坑点
本文详细介绍了如何利用谷歌插件Apollo.io高效开发外贸客户，包括核心功能解析、免费额度最大化利用策略、多插件协同技巧以及常见陷阱规避方法。通过Apollo.io的智能匹配算法和庞大数据库，外贸从业者可以精准锁定目标客户，提升开发效率。
LeetCode 面试经典 150_多维动态规划_交错字符串（97_C++_中等）
LeetCode 面试经典 150_多维动态规划_交错字符串（97_C++_中等） 题目描述： 给定三个字符串 s1、s2、s3，请你帮忙验证 s3 是否是由 s1 和 s2 交错 组成的。 两个字符串 s 和 t 交错 的定义与过程如下，其中每个字符串都会被分割成若干 非空 子字符串： - s = s1 + s2 + ... + sn - t = t1 + t2 + ... + tm - |n - m| <= 1 - 交错 是 s1 + t
百条网络工程师基础面试题（不断更新）
1）什么是链接? 链接是指两个设备之间的连接。它包括用于一个设备能够与另一个设备通信的电缆类型和协议。 2）OSI 参考模型的层次是什么? 有 7 个 OSI 层：物理层，数据链路层，网络层，传输层，会话层，表示层和应用层。 3）什么是骨干网? 骨干网络是集中的基础设施，旨在将不同的路由和数据分发到各种网络。它还处理带宽管理和各种通道。 4）什么是 LAN? LAN 是局域网的缩写。它是指计算机与位于小物理位置的其他网络设备之间的连接。 5）什么是节点? 节点是指连接发生的点。它可以是作为网络一部分的计算机
LeetCode 每日一题 2026/11/2-2026/11/8
记录了初步解题思路 以及本地实现代码；并不一定为最优 也希望大家能一起探讨 一起进步
1.triton镜像使用
1）拉取镜像2）启动容器指定模型仓库时可以执行server下的./fetch_model.sh,见2.2部分GPU版本的启动CPU版本的启动区别只在于--gpus=1这个参数注意：docker19.03之前的版本使用gpu要指定显卡硬件名，docker19.03之后的需要安装nvidia-container-toolkit或nvidia-container-runtime安装之后要重启docker查看gpus参数是否安装成功重新执行我遇到了如下错误先使用非GPU版本的。
一步一步教你如何安装IP-Guard（客户端WINDOWS篇）
1、安装完服务器后，在服务器右下角有一个IP-GUARD图标：如图 2、点图标右键选注册： 3、注册成功后， 4、在开始菜单里选生成客户端安装包。 5、生成客户端安装包成功，安装名字可以任意，但是最好是英文名字。 6、将客户端安装程序复制到桌面。 7、退出所有杀毒软件、安全卫士、电脑管家等然后运行 8、安装完成后，立即重启计算机。IPguard客户端安装完成。 9、这样在控制里就可以看到已经安装客户端的计算机，在线显示蓝色，灰色表示计算机已经离线货关机 ...
leetcode 3736. 最小操作次数使数组元素相等 III 简单
中的所有元素都等于 3。中的所有元素都等于 5。在一步操作中，你可以将任意单个元素。返回使数组中的所有元素都。
数控系统（CNC）系列：Fanuc 31i-B_（16）.CNC系统的网络连接与数据传输
硬件连接：包括网络接口的类型、连接方式等。网络协议：常用的网络协议包括Ethernet、Modbus TCP、Profinet等。网络配置：如何在CNC系统中配置网络参数，使其能够正确接入网络。在网络化的现代工业生产环境中，CNC系统的网络连接和数据传输能力变得越来越重要。通过以太网、Modbus TCP和Profinet等网络协议，可以实现CNC系统与上位机、其他CNC系统以及各种工业设备之间的高效通信。
LeetCode 1861. 旋转盒子｜Go 双指针解法
j >= 0，如果写成j>0，会漏掉第 0 列，最左侧石头处理失败旋转矩阵行列互换：原 m 行 n 列 → 结果 n 行 m 列，make 数组长度不要写反旋转公式m-1-i：是原总行数 m，不是 n！很容易写成n-1-i区分：本题和轮转数组（189）分组循环不一样！189：所有元素固定移动 k 步，需要 gcd 分组1861：障碍物分割成多个独立段，石头向段末尾挤，用双指针更合适。
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
LeetCode //C - 1313. Decompress Run-Length Encoded List
The problem involves decompressing a run-length encoded list where each pair of adjacent elements in the input array represents a frequency and value. The solution requires expanding these pairs into the corresponding number of values in the output array.
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
leetcode 462. 最小操作次数使数组元素相等 II 中等
返回使所有数组元素相等需要的最小操作数。在一次操作中，你可以使数组中的一个元素加。测试用例经过设计以使答案在。
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")
Hash表：两数之和、字母异位词分组、最长连续序列 [力扣 Hot100]
三道高频哈希表应用题：两数之和（利用HashMap快速查找补数）、字母异位词分组（排序后作为键分组）、最长连续序列（通过HashSet去重并仅从序列起点扩展）。核心思想均为借助哈希结构优化查找效率，避免重复计算。同时提及双指针等其他解法思路，体现算法设计中“空间换时间”的典型策略。
力扣73 矩阵置零
该解法通过标记含0的行和列来实现矩阵置零。遍历矩阵，用布尔数组记录有0的行和列；再遍历一次，若当前行或列被标记，则置为0。时间复杂度O(mn)，空间复杂度O(m+n)。
LeetCode Hot 100 二叉树专题（三）：BST 二叉搜索树与右视图（Java）
本专题主线：三题（98 / 230 / 199）共用两把钥匙——BST 的中序序列严格递增，以及遍历中的"层"与"深度"标记。看懂这两点，三题共用一套模板。 结构约定：每题统一分三部分——①题目分析与解题思路（含易错点辨析）；②常见解法（附代码）及讲解；③知识点总结。
LeetCode 3926. 统计有效单词的出现次数【分组循环】
核心思想：用分组循环，一趟遍历字符串，把一个个单词切出来，丢进哈希表统计频次。，先把所有片段拼接成完整文本字符串。，依次返回每个单词在文本里的出现次数。难点：内层循环的判断条件，区分。
力扣第526场周赛心得理解
思路：因为题目要求尽可能求出最小的最大值，而满足要求最小公约数为2，作为题目要求最小的最大值，先去求出它的最大公约数再通过value判断最左边是否大于0，以及value本身是否大于0，而index的位置只能为中间或者最右边，所以最后输出只能是value本身或者在这个基础上加相隔相应距离次数的结果。两个整数，是指将第二个整数的所有十进制数位拼接在第一个整数的所有十进制数位之后。如果不存在这样的数组，返回 -1。4097. 合并整数后的最小值。返回所有合并后得到的整数中的。合并，依此类推，直到将。
【算法学习笔记】LeetCode 15：三数之和（排序 + 双指针）
使用sort()对数组进行排序。理解排序后双指针的移动原理。使用外层循环固定一个数字。使用左右指针寻找另外两个数字。使用continue和while实现去重。理解的执行逻辑。将三层循环优化为排序 + 双指针，使时间复杂度从 O(n³) 降低到 O(n²)。
LeetCode100 15. 三数之和
本题通过排序+双指针优化三数之和。先对数组排序，外层遍历固定第一个数，内层用左右指针查找另两个数，使三数之和为0。通过剪枝（当前数>0则终止）和去重（跳过重复元素）提升效率。相比暴力或哈希法，该方法时间复杂度为O(n²)，空间O(1)，更高效优雅。
LeetCode hot 100 — 226. 翻转二叉树 | 101. 对称二叉树
自己稀里糊涂写了一版本居然还对了，我觉得我的思想就是很简单，这里就是要交换每一个节点的左右子树，所以套用了一下之前的中序遍历的迭代套路。一直在return False，但是没有给真正的正确答案一个出口（注意递归调用中出口 / 返回值很重要，或者说是最重要的）差一步美满....用的递归的写法，差一点点就满分了，先给出自己最开始写的代码。这道题的本质是对每一个节点执行相同的操作，并且交换哪个节点在先并不重要。你可以运用递归和迭代两种方法解决这个问题吗？，翻转这棵二叉树，并返回其根节点。给你一个二叉树的根节点。
LeetCode100 53. 最大子数组和
本文详解了最大子数组和问题的三种高效解法：前缀和（击败100%）、动态规划与分治（线段树思想）。前缀和通过维护最小前缀和实现O(n)最优；动态规划以状态转移简洁求解；分治则通过合并左右区间信息，支持区间查询与单点修改，体现线段树精髓。三者各具优势，前两者更优，分治更具扩展性。
力扣3无重复字符的最长字串(滑动窗口)
该题使用滑动窗口+哈希集合优化，通过复用Set实现O(n)时间复杂度。若每轮循环都新建HashSet，虽逻辑正确，但需重复插入删除，退化为O(n²)，导致超时。原解法利用窗口右移时仅移除左端旧字符、扩展右边界，避免重复操作，实现高效遍历。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2513
扫一扫
