【转】儿子

生态位宽度计算&可视化展示(R语言) 物种的生态位越宽,该物种的特化程度就越小,倾向于泛化种(generalist species);物种的生态位越窄,倾向于是一个特化种(specialists species)。生态位宽度是指物种(或其它生物单位)在群落中所利用的各种不同资源的总和。本篇所使用为生态位宽度指数即**Levins的生态位宽度指数。 阅读详情

写给还未出世的儿子的一封家书:

儿子:
     当你看到这封信的时候,相信你已经长大成人了!有很多事情,为父只能通过这种方式跟你说.

儿子,别怪当爸的狠心,从你三岁起,就逼着你去学武.这是经过老爸慎密思考的,你要知道,你生活的时代,早已经是男多女少的社会,让你学武术---------------因为泡妞有用处!
从小就让你学中国功夫,韩国跆拳道,泰拳......你以为老爸想的么?还不是为了你的将来着想?

从小,老爸就逼你学钢琴,因为以前有个周杰仑,也是从小傻不拉几的,就因为学了钢琴,最后成了一名歌星,还挺受欢迎的.你别怪老爸迷信,我只是觉得象周杰仑那样的傻瓜都能学会钢琴,你怎么可能学不会?

老爸还逼着你学N多种语言,国语不用说了,GCD要求的,什么粤语,客家话(你老妈的家乡话),广西土话(老爸家乡的),英语,德语,日语,法语,西班牙语.......
我也知道你很烦,但没办法,你不学,就跟不上这个时代了.中国什么都缺,就是不缺人!让你学这么多东西不是为了炫耀,而是,为了生存!

儿子,关于你的感情生活,老爸其实不想管那么多的.毕竟,你所处的时代,跟我所处的时代早已截然不同了.
我只是想以过来人的身份提醒你几句:
千万别把女人太当回事!你越把女人当回事,女人越不把你当回事!

对于感情这回事,老爸只有一个要求,古代有楚留香,近代有陈冠希!俗话说得好:"生子当如陈冠希,只日明星不日鸡"
陈冠希是我们陈家的一大骄傲,他能日了这么多女明星,估计本世纪是没人能破得了他的记录了.
我倒也没想你学他那样,毕竟他心理变态,你说你做就做了,还拍下来干嘛?拍下来也就算了,电脑坏了还傻B的拿去修?不可救药的家伙.我们陈家没这么傻B的人
对于感情,平时玩玩也就算了,希望你能达到那种"万花丛中过,片叶不沾身"的至高无上境界.

你老爸是没机会了,我跟你老妈是真心相爱,没什么甜言蜜语,也没什么海誓山盟(那纯粹是过家家玩的),只是老爸希望你能记住一句话:"贫贱之交不可忘,槽糠之妻不下堂".
为什么男人可以付出任何代价,却都不肯轻易放弃他的发妻?这是因为,二奶也好情人也罢,她们没有跟你一起经历的日子!
老爸当年穷困潦倒,你老妈对老爸仍然是不离不弃,你说,这样的女人哪里去找?
所以我才告戒你,你玩什么都行,千万别玩感情!

为人处世方面,要说的太多.
你要知道,不是你不明白,而是这个世界太变态.
见面只说三分话,切莫全抛一片心!
以老爸为例,在交友方面,吃的暗亏不少.
没办法,仿佛这世界人与人之间,就是利用与被利用的关系.
但是我跟你猪宾叔叔不同,真的是肝胆相照,同气连枝,以后如果你到北方发展,可以找一下他,相信以为父的薄面,他不会袖手旁观.
儿子,想跟你说的太多太多,我真的不希望你走错路或者走弯路.

PS:
你叔叔是个鬼灵精,少跟他瞎混
你的人生道路还很长,老爸也只能在这里祝愿你一路走好!

PX4实战(十):PX4导航模块(Navigator)详解 本文将对 PX4 固件 v1.14.3 版本中的 Navigator(导航)模块进行详尽的技术剖析。作为飞行控制栈中的高层决策核心,Navigator 模块承担着将抽象的任务指令转化为具象的底层控制设定点的关键职责。本文基于对 src/modules/navigator 目录下源代码的深究研究与架构反推,详细阐述了该模块的文件组织结构、基于状态机的控制逻辑、uORB 异步通讯机制、核心任务模式(Mission)与返航模式(RTL)的实现细节,以及地理围栏(Geofence)与任务可行性检查(Feasibil 阅读详情

相关推荐

Flink实战项目——城市交通实时监控平台

本项目是与公安交通管理综合应用平台、机动车缉查布控系统等对接的,并且基于交通部门现有的数据平台上,进行的数据实时分析项目。

yangwei2048的博客 839

儿子和女儿(转)

儿子和女儿(转)妇人的儿子和女儿先後在一个月结婚,朋友给她道过喜後,问她"你的女婿怎麽样?"  妇人心满意足的说"好极了,他让我女儿早上睡到日出三竿,常去美容院,又每天晚上都带她到外面吃饭."  朋友说"恭喜你了.那你儿子又怎样...

cuemes08808的博客 157

如何用python开发“跳一跳”游戏【附源码】

jump_start_time = pygame.time.get_ticks() # 记录跳跃开始时间。jump_duration = current_time - jump_start_time # 计算跳跃持续时间。current_time = pygame.time.get_ticks() # 获取当前时间。jump_velocity = -15 # 设置跳跃的初始速度。# 如果小球跳跃结束,重置跳跃状态。# 根据跳跃持续时间计算跳跃高度。# 移除超出屏幕的障碍物。

helloshili2011的博客 2499

多叉树转二叉树(双亲表示法,左儿子右兄弟)——— 简单易懂,代码深度解析

多叉树转二叉树(双亲表示法,左儿子右兄弟)——— 简单易懂,代码深度解析

2301_81373791的博客 944

Workbuddy+DeepSeek V4傻瓜流配置全指南:API接入、模型切换与Agent实战

AI编程助手的核心价值不在于模型本身,而在于如何稳定、安全、低门槛地调用其能力。Agent作为智能体范式,依赖可靠的运行时环境与标准化API通信;DeepSeek V4系列凭借高吞吐、低延迟和强工具调用支持,成为当前生产级Agent的理想引擎。Workbuddy则通过本地配置管理、环境变量注入与UTF-8无BOM容错等工程设计,将复杂部署简化为可复现、可版本化、可团队协同的实践流程。本文聚焦API接入路径下的真实卡点——从Key获取验证、models.json字段语义到沙箱权限控制,覆盖开发者在Window

weixin_33702545的博客 2400

广东省道路工程检测练习试题(单选题)真题

1.一般项目的合格点率应达到( ),且不合格点的最大偏差值不得大于规定允许偏差值的1.5倍。A.不低于75%B.不低于80%C.不低于85%D.不低于90%答案:B2.进行土路基平整度检测时,当路宽小于9m,检测点数应为( )A.1B.2C.3D.4答案:A3.根据《城镇道路工程施工与质量验收规范》,在分部工程中,根据工种、材料、施工工艺等划分的是( )A.单位工程B.分项工程C.分部工程D.工序工程答案:B4.根据《城镇道路工程施工与质量验收规范》,土方路基压实度的检测频率为每1000m每压实层抽检( )

ZShy001238的博客 686

[转] 诸葛亮给儿子上的十堂课(转贴)

诸葛亮给儿子上的十堂课 第一课:宁静的力量 「静以修身」、「非宁静无以致远」、「学须静也」 诸葛亮忠告孩子宁静才能够修养身心,静思反省。 不能够静下来,则不可以有效的计划未来,而且学习的首要条件,就是有宁的环境。 现代人大多数终日忙碌,你是否应在忙乱中静下来,反思人生方向? 第二课:节俭的力量 「俭以养德」 诸葛亮忠告孩子要节俭,以培养自己的德行。 ...

angel199185的博客 188

手把手教你学Simulink——基于重复控制(RC)的并网逆变器场景实例:基于RC的单相并网逆变器仿真

本次教程深入剖析了重复控制(RC)在单相并网逆变器中的应用,解决了周期性谐波抑制这一核心难题。核心收获RC是谐波抑制的“核武器”:它利用内模原理,对所有周期性谐波提供无限大增益,实现理论上无静差的跟踪和抑制。PI+RC是黄金组合:PI提供快速响应,RC提供稳态精度,二者结合,兼顾了动态与稳态性能。结构简单,效果卓越:相比多个PR控制器,RC仅需一个模块,即可抑制所有谐波,设计简洁。电能质量的终极追求,是波形的纯净。重复控制,如同一位不知疲倦的校对员它记住每一次错误(上一周期的误差),

MHD0815的博客 189

Vijos p1518 河流 转二叉树左儿子又兄弟

左儿子又兄弟的转发一定要掌握啊,竞赛必用,主要是降低编程复杂度,省时间。个人觉得状压DP也是为了降低编程复杂度。 方程就不说了,程序应该能看得懂,用的记忆化搜索,方便理解。 1 #include<cstdio> 2 #include<cstring> 3 #include<algorithm> 4 using namespace ...

as2886089的博客 128

Node-RED教程(一):Node-RED的介绍与安装

最新最全的Node-RED,node-red教程都在这里。 本篇介绍node-red的安装。使用docker 安装node-red

知无涯 3万+

多体动力学分析软件:SIMPACK_(17).SIMPACK高级编程与脚本

自定义力和约束可以用于模拟更复杂和现实的物理场景。SIMPACK 提供了接口,允许用户通过 Python 脚本来实现自定义力和约束。以下是一个示例,展示如何定义一个自定义力函数并应用于模型。# 定义自定义力函数"""自定义力函数:param t: 时间:param position: 位置:param velocity: 速度:return: 力"""# 创建一个新的 SIMPACK 模型# 添加一个刚体# 添加一个关节# 添加一个自定义力# 设置仿真参数# 运行仿真。

kkchenjj的博客 1425

一位父亲给儿子的40个提醒(转)

xiaolong0211的专栏 701

RAP 时代的 Service Binding:把 CDS 业务服务稳稳地“插”到 OData 里

本文深入解析SAP ABAP开发中的关键对象Service Binding,阐述了如何通过三层架构(数据模型、服务定义、服务绑定)实现业务逻辑与协议分离。文章重点分析了Service Binding的核心参数配置,包括服务命名规范、协议类型选择(OData V2/V4、InA、SQL)及服务形态(UI Service与Web API),并通过实际案例说明不同选项的应用场景。同时介绍了服务版本控制机制、发布流程及Fiori预览功能,帮助开发者理解如何通过Service Binding将业务能力高效转化为可消费

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 5715

普通树转二叉树:左儿子右兄弟表示法

这两天在吃力地学DP的优化,被虐地不行不行的。搞个小插曲。   左儿子右兄弟,顾名思义,是一棵转换后的树,它是一棵二叉树,一个节点的左子树表示的是原树中这个节点的子节点,一个节点的右子树表示的是这个节点在原树中的兄弟(父节点相同的点)。   这么表示有什么好处呢?在DP时二叉树的优势相比于普通树是很明显的,或许有时它不能优化时间,但至少可以优化“思路”。   最近并没有碰到要转二叉树的题,也

Sky 1万+

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)

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

儿子:特训营归来,许三多算个屁!(转)

别怀疑自己眼花或是显示屏有问题,我说的就是许三多!说这话的也真是让我自家的儿子!这话要从《士兵突击》热播的时候说起,我和我家儿子恨不得在电视机前面吃喝拉撒,电视剧播完了,我们买回DVD又看了好几遍。只要是男的,不管年龄大小,谁不曾做过当兵保家卫国的梦?每次看我都指着屏幕跟我儿子说:看看,纯爷们儿!没想到后来竟然有当许三多的机会了!简简单单,就可以进入《士兵突击》里面连队的原型,过许三多的生活!我当

yun15999的专栏 582

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

转:打工父亲写信教12岁儿子感恩 内容感动网友

感动! http://news.QQ.com 2009年10月14日05:05 大河网 胡志强 我要评论(69) 这封信的特殊在于:它是汝阳一位打工父亲送给12岁儿子的生日礼物,因感动网友最近走红网络 它有多感人?您不妨看看 它...

congnuoshi0555的博客 138

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")

转:洛克菲勒写给儿子的三封家书:利益、精神、尊严

尊严不是天赐的,也不是别人给予的,是你自己缔造的。

Rolei的博客 2262

转 相信未来国内或许会像关心自己儿子一样研究电池

http://zssqjq.blog.163.com/blog/static/133460498201012610824449/ 目前在市场上热炒动力锂电如何如何先进的同时,另一瓢冷水还没有一下浇到我们头上。国内大有铁锂动力汽车之梦仿佛一夜之间可以顺利实现的呼声。实际不然,前些日子有幸去亲自感受了一下目前国外的同行研究的结果,发现咱们的路确实还很长。仅以自己相对熟悉电池充放监控研究为例,国内对整

yingxuexuan的专栏 907

太搞笑了,是个80后的女的写给她自己未来儿子(女儿)【转】[

乖儿子(如果是闺女 千万别跟妈计较 因为打儿子俩字只敲四下键盘): 你好 我是你妈 你亲妈 你风华绝代的亲娘 恩 看到这封信的时候 你一定很好奇妈是什么时候写的 非常牛掰地告诉你 是你妈二十那年写的 那会儿连你爹都没有 就是突然兴致来潮了 决定现在写下一些话和承诺 可能你读完会想说 妈赐我毒药 让我离开人世吧 首先我必须说 其实你有可能差点就不出现在这世上 因为你妈我曾经从想...

weixin_33804990的博客 116

张三丰是小龙女的儿子的详细证明及理论依据(转)

一、所有武侠小说的主人公,差不多都有不简单的背景。要么是革命家庭,要么是先烈后人,当然,白手起家,确实毫无瓜葛的也有。但是别忘了,这是射雕三部曲。   射雕英雄传的主人公是谁?郭靖黄蓉杨康。神雕侠侣的主人公是谁?杨过小龙女。倚天屠龙记的主人公是谁?张无忌赵敏周芷若。。。。。。等等。曾经就有很多人说过:把倚天归到射雕三部曲里似有些牵强。仅凭头两回郭襄惊鸿一现,仅凭一部九阳神功,就将这三部归为三部曲?...

web开发自学 170

char字符转int_大头儿子和小头爸爸的战斗--java字符和字符串

故事背景一座普普通通的小屋里,住着大头儿子、小头爸爸和围裙妈妈。在他们普普通通的生活中,总是响起充满欢乐的笑声。最温暖的家又成了他们每个人的爱的源泉。《大头儿子和小头爸爸》是孩子居首(大头),妈妈居中,爸爸最末(小头);爸爸主外,妈妈主内(围裙),他们是中国现代家庭教育典型的缩影。java中的大头儿子和小头爸爸java中也有一对冤家对头,他们就是字符char和字符串String。来看看他们的表现吧...

weixin_42512719的博客 116

郎永淳妻子抗癌4年路:儿子弃读名校陪治病(转)

2月14日,央视《新闻联播》主播郎永淳与抗癌近四年的妻子吴萍一道现身其新书《爱,永纯》的首发会。   如新书扉页上所写的那样,“人生真正的圆满,不是平淡的幸福,而是勇敢地面对所有的不幸。”   过去的四年,对于郎永淳而言绝对是不平凡的四年:他虽然从工作了10多年的《新闻30分》晋升为《新闻联播》的当家主播,但妻子吴萍却罹患乳腺癌,继而癌细胞转移到肝脏……日前,郎永淳接受了某网站的专访,分享了与...

weixin_34309543的博客 160

[树] 普通树转二叉树

将一棵一般树(由单字符组成)转换成二叉树,并将转换得到的二叉树按先序、中序、后序进行遍历,输出遍历后结点的序列。(最多26个结点,结点用大写字母表示)。

m0_64542522的博客 927
上一篇: 【原创】每周一题(080318)----面试题解析
下一篇: DXP2004 DRC 规则英文对照
SmallBox00
博客等级 码龄20年 61粉丝 307原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 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