11.18作业

【NLP】语言模型的发展历程 (1) N-gram模型是一种基于统计语言模型的文本分析算法,它用于预测文本中下一个词出现的概率,基于前面出现的n-1个词的序列。这里的n代表序列中元素的数量,因此称为N-gram。Unigram:N=1,每个单词的出现概率独立计算,不考虑上下文。Bigram:N=2,基于前一个单词预测当前单词的联合概率模型。Trigram:N=3,考虑前两个单词来预测当前单词的联合概率模型,更复杂但可能更准确。 阅读详情
<!DOCTYPE html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <meta http-equiv="X-UA-Compatible" content="IE=edge">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <title>Document</title>
  <style>
    * {
      margin: 0;
      padding: 0;
    }

    /* 因为有通栏:占满一行的边框,所以需要有一个通栏:占满一行的盒子 */
    .nav {
      height: 40px;
      border-bottom: 1px solid #ccc;
    }

    /* 因为ul中所有的内容都是在网页的宽度固定并且水平居中的盒子内部,所以设置ul为宽度固定并且水平居中的效果(后面项目中所用到的版心) */
    ul {
      list-style: none;
      width: 1200px;
      margin: 0 auto;
    }

    ul li {
      float: left;
      width: 20%;
      height: 40px;
      border-right: 1px solid #ccc;
      /* 自动内减 */
      box-sizing: border-box;
      text-align: center;
      line-height: 40px;
    }

    ul .last {
     border-right: none;
    }

    ul li a {
      /* a标签默认是行内元素,宽高由内容撑开,并且无法设置宽高,此时默认情况用户只能点击文字区域才能调整 */
      /* 如果把a标签转换成块级元素,此时可以设置宽高,会让a标签范围更大,用户可以点击调整的区域也越大 */
      display: block;
      /* 宽度不设置块元素会默认占满一行 */
      height: 40px;
      text-decoration: none;
      color: #000;
    }

    ul li .app {
      position: relative;
    }

    ul li .app .code {
      /* 子绝父相 */
      position: absolute;
      left: 50%;
      transform: translateX(-50%);
      /* 为了img标签不遮住a标签的主体内容 */
      top: 40px;
      border: 1px solid #ccc;
      visibility: hidden;
    }
    
    
    ul li .app :hover.code{
      visibility: visible;
    }
  </style>
</head>
<body>
  <!-- 导航 -->
  <div class="nav">
    <ul>
      <li><a href="#">我要投资</a></li>
      <li><a href="#">平台介绍</a></li>
      <li><a href="#">新手专区</a></li>
      <!-- 因为用户鼠标放在二维码图片上也能跳转,所以证明img也是在a的范围内,因此把img写在a标签的内部 -->
      <li><a href="#" class="app">手机微金所<img src="./code.jpg" alt="" class="code"></a></li>
      <li class="last"><a href="#">个人中心</a></li>
    </ul>
  </div>

</body>
</html>

作业1

<style>
    .fa:hover.so
    {
        visibility: visible;
    }
    .fa
    {
        position:relative;
        top:100px;
        margin: 0 auto;
        height: 400px;
        width: 711px;
    }
    .so3
    {
        position: absolute;
        bottom: -1%;
        right: -1%;
        width: 711px;
        height: 400px;
    }
    .so:hover
    {
        background-color: grey;
        opacity: 0.5;
        border: 5px solid orange;
        z-index: -3;
    }
    .so2{
        position: absolute;
        top:45%;
        right:50%;
    }

    
    

</style>
<body>
    <div class="fa"><img src="./images1/arr.png" class="so2">
        <div class="so"><img src="./images1/sed.jpg" class="so3"></div>
    </div>    
    
</body>

 作业2

笔记

    选择器复习
基本选择器: 标签、id(#id名)、类(.类名)、通配符(*)选择器{css代码}
包含选择器:子代选择器(ul>li)、后代选择器(ul li)
逗号选择器:
选择器1,
选择器2,
选择器n{}
属性选择器:
标签名[属性名="属性值"]{}
伪类选择器:
: hover
伪元素选择器:
::befoe
::after
::selection
    选择器补充
选择列表中第n个li(跳过<p>等元素)"ul li:nth-of-type(n){}"
选择列表中倒数第n个li(跳过<p>等元素)"ul li:last-of-type(n){}"
选择列表中序号为基数的li"ul li:nth-child(n){2n+1}"
    字体样式
改字体"font-family:"字体名称"(属性)"
改字体大小"font-size:"大小"(属性)"ps:经测试大小数值后应加px        例:font-syle:30px
字体倾斜"font-style:italic/oblique(属性)"
字体加粗"font-weight:bold/bolder/数值(属性)"
字体样式属性可合并    例:font: 800(字体加粗) italic(倾斜) 12px(字体大小) "微软雅黑"(字体)
    文本样式
ps:默认字体大小为14px
缩进 "text-indent:28px(默认大小)/2em(自适应)(属性)"
改行高(文字所在那行)"line-height:大小(属性)" 
背景色"background-color:颜色(属性)"
文本对齐方式"text-align:???(属性)"("???"可更改为center/left/right······)
单行文本垂直居中"line-height:200px(属性)"
字符间距"word-spacing:大小(属性)"        ps:字符中间须加空格
标签水平居中"margin:0 auto(属性)"【标签居中作用于div】
文本装饰        ps:可先用"span"选取文字
下划线"text-decoration:underline(属性)"
去除默认样式"text-decoration:none(属性)"
    文本颜色
更改颜色"color:(颜色名[英文])/颜色序号/rgb(数字,数字,数字)(属性)"        ps:rgb一般会给表盘,rgb三色分别为红绿蓝;
背景颜色"background-color:(同文本颜色)/rgba(可选透明度)(属性)"
    文本方向
文本从右到左、从左到右"direction:rtl/ltr(属性)"
    列表样式
无序列表清除小黑点(默认样式)"list-style-type:none(属性)"ps:"-type"可省略
无序列表更改小黑点样式"list-style-type:样式(属性)"
无序列表以图片代替小黑点"list-style-image: url(路径)(属性)"
    背景
加入背景图片"background-image:url(路径)"
背景重复
y/x轴重复"background-repeat:repeat-y/x"
不重复"background-repeat:no-repeat"
背景图片位置"background-position:left top/······(属性)"
强行覆盖"background-size:contain/cover[这个加上背景位置看着很舒服](属性)"
背景图片依附(跟随画面)"background-attachment:fixed(属性)"
设置<a>的宽高(解锁)" display: inline-block(属性)"【原理:将[内联元素<a>]设置为[内联块级元素]】
    元素的类型
块级元素(默认情况下独占一行的标签)如"<div>[最典型]、<p>、<h1>、<li>等"
    ps:块级元素可以设置宽高、行高、内外边距
内联元素(和其他元素在同一行)如"<span>[常见]、<a>[常见]等"
    ps:内联元素不能设置宽高、内外边距不能设置
内联块级元素(既不会独占一行,也能够设置宽高和内外边距)如"<img>"
改变元素类型"display:元素类型(属性)"    ps:元素类型可设为"block[块级元素]"、"inline[内联元素]"、"inline-block[内敛块级元素]"
    边框
边框宽度"border-width:大小(属性)"
边框形式"border-style:形式(属性)"
边框颜色"border-color:颜色(属性)"
边框弧度"border-radius:大小(属性)"
局部边框设置"border-top/bottom(-right/left)-radius/width:大小(属性)"
可合并,例"border: 1px(宽度) solid(形式) red(颜色)"
合并相邻边框【待施工】"<table>中加cellspacing="0"(属性)"其次"<style>中table{border-collapse:collapse}"
    文本域
不允许拖拽"resize:none(属性)"
文字域位置"vertical-align:top/middle····(属性)"
    鼠标样式
改变鼠标样式"cursor:鼠标样式(属性)"
    定位
绝对定位(在窗口定位)
"position:absolute[如果没有相对定位,默认为窗口定位]
 top:[从上往下多少个像素](可以使用百分比)
 left:[从左往右到少个像素]
 bottom:[从下往上多少个像素]
··················    "
相对定位(须为嵌套关系)
"position:relative"(类似于设置锚点)    ps:当一个分区(div)移到对应位置时,原位会被占用
定位优先级
让某物优先显示(居于最上层)"z-index:1(属性)"
固定定位
固定"position:fixed(属性)"
粘性定位
当高度为x时,带着移动"position:sticky;
             top:x px;"
    元素的显示与隐藏[透明度的设置]
    法一
隐藏"display:none"
显示"display:block"
    法二
透明度隐藏"opacity:0"
透明度显示"opacity:1"

深入解析ViT中的RoPE旋转位置编码:原理、实现与视觉应用 本文深入解析了ViT中的RoPE旋转位置编码原理、实现及其在视觉任务中的应用。RoPE通过旋转变换巧妙地将相对位置信息融入注意力计算,解决了传统绝对位置编码外推性差的问题,在图像分类、目标检测及生成任务中展现出更优的泛化能力和灵活性。 阅读详情

相关推荐

浅谈Android MVI架构---大自然的搬运工~~~

浅谈 Android MVI架构

hong_world的博客 2152

作业GA001-185-18:Activity Diagrams 7-11图注释

作业GA001-185-18 课程名称 软件需求分析与建模 班级 18软件工程5班 作业名称 Activity Diagrams 7-11图注释 教导教师 董瑞生 陈丹 1814080902539 李林 1814080902502 日期 2020.10.18 Activity Diagrams 7-11目录 7.Basic Activity Diagram with Datastore 8.Basic Activity Diagram with Central Buffer Node 9.Basic Act

m0_50973829的博客 240

Mimics 21.0软件学习笔记(一)基本操作

Materialise Mimics 21.0打开工程窗口化Thresholding 二值化Region growing区域增长创建一个3D表示,并显示股骨头从髋臼中区分出来,并单独为股骨头建立3D模型 打开工程 Opening the Project 窗口化 Windowing 二值化 Thresholding 区域增长 Region Growing 建立 3D 表示 Creating a 3D representation 显示 3D 表示 Displaying a 3D representation

qq_35495464的博客 4万+

java作业11.18

java作业11.18第一题第二题第三题第四题第五题 第一题 从键盘输入一个整数, 编写方法判断它能否写成 4n+ 7m的形式 ,n,m均为整数且n>=0 m>=0; 比如4: 可以表示为 41 +70; 比如 19: 可以表示为 43 +71; package Javahomework; import java.util.Scanner; public class housework1 { public static void main(String[] args) {

m0_46450744的博客 775

Abaqus传热分析HETVAL和USDFLD子程序联合

Hetval子程序常用于定义内部热源,该子程序可以定义材料内部的生热量(如相变、高分子结晶生热),并且能够调用state variable 状态变量,可以与USDFLD子程序联合使用。HETVAL子程序用于计算传热系数并在单元上定义,USDFLD子程序用于在每个时间布更新温度场。

qq_41900477的博客 2660

Win10本地账户密码遗忘?巧用指纹/PIN快速重置(家庭版/专业版通用指南)

本文提供了一份详细的Win10本地账户密码遗忘自救指南,适用于家庭版和专业版用户。核心方法是利用已登录的指纹或PIN码权限,通过创建新的管理员账户或使用系统工具,安全重置遗忘的本地账户密码,无需第三方工具或重装系统,有效保护个人数据。

e6f7g8h9i的博客 576

作业11.18

作业

zhuqifan0412的博客 534

踩过20+工控视觉项目的坑后,我用C# + 海康相机 + YOLOv11实现了零依赖产线缺陷检测

触发式检测:只有光电传感器检测到零件到位,才触发相机拍照和算法检测,不是持续推理,减少工控机性能占用;全链路本地运行:从图像采集、算法推理到不良品剔除,所有逻辑全在本地工控机运行,不需要外网、不需要云端服务,哪怕产线断网也能正常运行;异常降级机制:算法推理异常时,系统自动触发产线缓停,同时声光告警,不会让不良品流到下工序,满足汽车行业IATF16949质量要求;模块化解耦:算法核心层和业务逻辑层完全分离,后续更换YOLO模型、新增缺陷类型,只需要替换模型文件,不需要修改业务逻辑;全链路可追溯。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 152

2020-11-18 作业

运算符 执行程序运算,针对一个或以上的项目进行运算。运算符有如下类别: 1算术运算符(加减乘除) 2 赋值运算符(x+= 10相当于 x = x + 10) 3 比较运算符(大于>,小于<,等于==,大于等于≥,小于等于≤) 4 逻辑运算符 5 条件运算符(三元运算符) 说一下逻辑运算符: and 逻辑与 • and可以对符号两侧的值进行与运算。 只有在符号两侧的值都为True时,才会返回True,只要有一个False就返回False • 与运算是找False的,如果第一个值为False,则不再

qq_32390119的博客 187

N32G430学习笔记11- systick使用函数-延时函数

N32学习笔记11- systick使用函数-延时回调函数-延时函数

Car12 1416

五万字解析【ROOT 入门指南】

本文是cern官方root入门指南的初步翻译版,还在进一步校对中....

荷塘阅色 208

11/18日作业

无向图带权值 代码: #include<stdio.h> #include<stdlib.h> struct VNODE{ int value; int quan; VNODE *pRight; VNODE *pNext; }; void display(VNODE *root){ printf(“如下:\n”); VNODE node1=(VNODE)malloc(sizeof(VNODE)); VNODE node3=(VNODE)malloc(sizeof(VNODE)); n

qq_45010066的博客 122

信捷PLC XD5系列运动控制(10轴)编程应用篇

项目PLC采用XD5-60T10-E,36DI 24DO 晶体管输出,支持10路脉冲输出功能。TMR指令定时器时基可以自己设定,这点比其他品牌PLC方便。ZRN指令我们需要上升沿指令触发。 5、变址寻址 该说不说这个变址寻址是真的强,比西门子指针、三菱的变址寄存器Z 、V都要更加灵活。 7、特殊寄存器:时钟 8、如何建立PLC通讯...............

RXXW_Dor的博客 1万+

11/18作业

5> 主程序中提供两个整形数组,分别初始化如下: int arr[] = {2,3,7,6,8,9,4,5,1};4> 手动实现 myStratio函数 :字符串参数包含一个或多个数字,函数把这些数字字符转换为整数,并返回整数值。函数体内完成求出这两个数组的交集放入新数组中,并在主程序中输出新数组中的数据。2> 仿照strcmp原理,手动实现 myStrcmp函数,不能使用库函数。3> 仿照strcat原理,手动实现 myStrcat函数,不能使用库函数。定义函数传递这两个数组,并传递一个新数组。

2403_87995304的博客 258

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

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")

11.18作业笔记

性别:男<input type="radio"name="sex" value="男"> 女<input type="radio" name="sex" value="女"> checket(固定选项)文本框:<textarea name=" "id=" " cols="30" rows="10"></textarea>iframe加框:<iframe src="页面" frameborder="0" width=" "></ >(嵌入页面)密码:<input type="password">

fulangxisikexi的博客 227

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

11.18作业代码

<div>邮箱<input type="text" placeholder="请输入你的邮箱"></div>南京>

fulangxisikexi的博客 155

2022\11\18 作业

default: printf("输入错i误\n");printf("端口重用成功\n");printf("连接成功\n");

sadjjkj的博客 102

18.05.11 枚举作业

描述 有一个正方形的墙,由N*N个正方形的砖组成,其中一些砖是白色的,另外一些砖是黄色的。Bob是个画家,想把全部的砖都涂成黄色。但他的画笔不好使。当他用画笔涂画第(i, j)个位置的砖时, 位置(i-1, j)、 (i+1, j)、 (i, j-1)、 (i, j+1)上的砖都会改变颜色。请你帮助Bob计算出最少需要涂画多少块砖,才能使所有砖的颜色都变成黄色。 输入第一行是一个...

dhc65376的博客 228

C语言作业四 11.18

作为初学者,我平时有在代码缩进,只不过不太严格,在接下来的作业及以后的代码编写过程中我会严格要求自己进行代码缩进的。编写⼀个程序,使⽤ while 循环计算斐波那契数列的前20个数字,并将它们输出到。斐波那契数列是⼀个数学上的经典数列,起始于0和1,之后的。思考:作为⼀名初学者,请描述⼀下什么是代码缩进,你平时是否有严格要求⾃⼰进。它的前⼋项为:0,1,1,2,3,5,8,13,……编写⼀个程序,接受⽤户输⼊的整数,然后按照相反的顺序输出这些数字。但 // 更 常用. 要在如何注释及注释风格上确保统一.

2301_79810582的博客 286

11.18作业2

【代码】11.18作业2。

xjdksxkmd的博客 141
上一篇: 11.15作业+笔记
下一篇: 12.2作业
UseLessQQ
博客等级 码龄3年 73粉丝 42原创
评论 1
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