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
1.1k累计阅读
1.1k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
这是一道填空题
一 除法等于减法。
（1）一般的想法是：循环减去3
（2）我的想法是:从高位到低位，每一位减去3。
a 位置I上的字符是a[i]，则 j=a[i]mod3得到j ,那么这表示有j*10^i个3。a[i]=a[i]-3*j.
同理求的所有位置代表的数含有的3。
b 如某一位剩余1或者2则变成10或者20加到下一位去,进入步骤a
下面几种算法没时间看。
还有一种算法：http://blog.youkuaiyun.com/oyster2008/article/details/5978833
数论学习总结
目录 一、数论基本概念 1、整除性 2、素数 a.素数与合数 b.素数判定 c.素数定理 d.素数筛选法 3、因数分解 a.算术基本定理 b.素数拆分 c.因子个数
Pathformer做时间序列
超越Transformer！时间序列预测新方法，霸榜AI顶会 超越Transformer，霸榜AI顶会，patch做时间序列预测成为新烫门，强烈推荐想发论文的伙伴多关注！ 具体看，以往的时间序列预测创新着眼改模型，越来越卷，难度越来越大，而基于patch的方式，主要关注数据的输入形式，这是一个新思路，目前还在蓬勃发展中，创新机会多！而且patch的方式能够把各种复杂时序数据，转换成深度学习模型能...
模运算(密码学/数论/算法)
模运算的概念模运算是一种算术运算，常写作a mod n，表示整数a除以正整数n后的余数。模数是模运算中的除数n，它决定了结果的范围。公式表达：对于任意整数a和正整数n，可以将a表示为：a = qn + r，其中0 ≤ r < n，q是整数商，即q = ⌊a/n⌋。a除以n的余数是a mod n。示例：11 mod 7 = 4（11除以7的余数是4）** -11 mod 7 = 3（-11除以7的余数是3）**
Transformers in 3D Point Clouds A Survey（翻译）
2022年三维点云最新综述 针对transformer在三维点云中的应用总结
8、除法的实现
本文深入探讨了除法运算的实现原理与相关技术，涵盖了基本概念、商和余数的计算以及大数除法的挑战与优化方法。文章详细介绍了长除法、短除法、模除法的具体实现，并结合C语言代码展示了如何在编程中高效处理除法问题。此外，还讨论了除法在模运算、最大公约数、最小公倍数等数论运算中的应用，并通过实例分析和测试验证确保除法运算的正确性与性能。无论是初学者还是有经验的开发者，都能从中获得对除法运算更深层次的理解和实际应用的启发。
生信入门第七课：使用FastQC软件进行测序原始fastq数据质控
从实验到数据：RNA定量、文库片段长度、fastqc质控和fastp去接头
MultiPatchFormer改进|爆改模型|涨点|使用TiDE中的MLP结构替换半自动回归的线性层（附代码+修改教程）
MultiPatchFormer是一种的基于Transformer的模型，用于多元时间序列预测使用多尺度时间嵌入来捕捉不同尺度的时间相关性，包括一个通道编码器来建模输入序列之间的关系并捕捉交互作用。MultiPatchFormer 采用了一种简单但有效的方法来避免过拟合的问题，即通过线性层在连续的步骤中解码提取的信息，而不是使用单一的线性层将模型维度映射到预测窗口。这种方法被称为"半自回归解码"(multi-step linear decoder),可以减少过拟合和噪声的影响。
ADAS系统架构与核心功能解析：从感知到执行的智能驾驶方案
高级驾驶员辅助系统（ADAS）是现代汽车智能化的核心技术，其本质是通过传感器融合、算法决策与车辆控制，构建一个“感知-决策-执行”的闭环系统。在技术原理上，ADAS依赖摄像头、毫米波雷达、激光雷达等多源传感器进行环境感知，并通过深度学习模型与融合算法（如卡尔曼滤波）构建精准的环境模型。其技术价值在于提供主动安全冗余与驾驶舒适性，核心应用场景包括自动紧急制动（AEB）、自适应巡航（ACC）及车道保持辅助（LKA）等。随着传感器成本下降与域控制器算力提升，ADAS正从高端配置向主流车型快速普及，并逐步向高阶导航
Pathformer学习笔记
1、
TTL电路搭建半加器实验：操作指南完整版
通过TTL电路搭建半加器，详解逻辑设计与实验步骤，帮助掌握数字电路中的半加器工作原理与实际应用，适合电子技术初学者动手实践。
AI应用架构师收藏：大规模AI系统AIOps智能运维的4个落地案例
本文精选互联网、金融、制造、电信四大行业的大规模AI系统AIOps落地案例，覆盖云原生AI平台、风控AI系统、工业AI质检、5G网络AI优化等典型场景。行业背景与系统规模：业务目标、AI系统架构、运维挑战；AIOps解决方案设计：数据采集层→分析层→决策层的全栈架构，技术栈选型与理由；核心技术实现细节：异常检测算法、根因分析模型、自动化恢复流程（含Python代码示例）；实施效果与经验总结：关键指标对比、踩坑教训、架构师视角的最佳实践。
数论基础----逆元 （数论中的“倒数”）
苍茫大地一剑尽挽破，何处繁华笙歌落。斜倚云端千壶掩寂寞，纵使他人空笑我。 逆元的概念，类似于倒数的性质。 通过上面的引例我们可以粘贴到两个定义： 单位元：存在一个集合中的元素【e】，使得给定任意一个集合中的元素a，均有a⊙e=e⊙a=a； 逆元：给定任意一个集合中的元素a，存在集合中的另一个元素b，使得a⊙b=b⊙a=e； 那么接下来引入另一个概念啦： 乘法逆元（在维基百科中也叫倒...
准备生日礼物
摘要： 题目要求统计某月份需要准备的员工生日礼物数量。输入包括目标月份、员工姓名列表和对应的生日列表（格式为Year/Month/Day）。需处理重复员工（以最后一次录入为准），统计该月生日的员工人数。示例1中5月有3名员工生日，输出3；示例2中10月有6名，输出6。解题关键在于使用哈希表去重（以员工姓名为键），拆分生日字符串提取月份进行匹配。代码实现（C++/Java/Python）均遵循以下步骤：读取输入、哈希去重、解析月份并统计目标月份人数。时间复杂度为O(n)，空间复杂度O(n)。
数论之模意义下的除法和乘法逆元
分数的取模前言一 前言 先介绍模的运算规则 ①取模运算：a%p，表示a除以p的余数。 ②模加法运算：(a+b)%p=(a%p+b%p)%p ③模减法运算：(a-b)%p=(a%p-b%p)%p ④模乘法运算：(ab)%p=(a%p)(b%p)%p 你会发现没有提及到模的除法运算， 呢么(a/b)%p＝(a%p)/(b%p)嘛？ 一 ...
SAP UI5 主题设置全解析：从启动参数到运行时切换、跨域白名单与事件监听
SAP UI5主题体系深度解析：从配置到切换的完整指南 摘要：SAP UI5主题机制远不止CSS换肤，其工程化实践涵盖启动配置、运行时API切换、跨库路径映射及安全管控等关键环节。通过bootstrap标签或URL参数设置初始主题，运行时可用Theming.setTheme无刷新切换。自定义主题需配置theme-roots路径，跨域加载需声明sap-allowed-theme-origins白名单。主题切换完成后会触发applied事件，适合执行视觉同步操作。该体系支持多品牌适配、集中式主题管理，在Fior
ISO2626 --- Item Definition相关项定义
本文并不是针对ISO26262的一个项目，而是针对ISO26262的规范，我们在相关项定义阶段，我们需要做什么，我们的文档需要包含哪些内容的一个描述。
数论学习（1）——带余除法与同余
近日自行补习了数论相关的知识，觉得又是一个蛮有趣的世界，特在此开坑。 一、整数与余数 1.整数的离散性：x &lt; y &lt;==&gt; x+1&lt;=y ; x,y为整数 2.整数的奇偶性： （1）奇±奇=偶 偶±偶=偶 奇±偶=奇 偶 * 偶=偶 奇 * 偶=偶 奇 * 奇=奇 （2）奇^2=8m+1 偶^2=8m or 8m+4; m为整数 ...
番外篇 | 复现HIC-YOLOv5，助力小目标物体的检测
在本文中提出了一种改进的YOLOv5算法：HIC-YOLOv5，用于小目标检测，具有更好的性能和较低的计算成本。🌈
数论之基础
数论基础知识
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")
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
数论2-带余除法
后面将继续更新数论。,存在唯一的一对整数。
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
【数论】第1章 整数的可除性 第1节 整除概念与带余除法(3) 带余除法
本文属于「数论」系列文章之一。这一系列着重于数论算法的学习和应用。由于内容随时可能发生更新变动，欢迎关注和收藏数论算法系列文章汇总目录一文以作备忘。此外，在本系列学习文章中，为了透彻理解数论知识，本人参考了诸多博客、教程、文档、书籍等资料。以下是本文的不完全参考目录，在后续学习中还会逐渐补充： 数论算法，姜建国、臧明相编著，西安电子科技大学出版社 文章目录1. 带余除法 初等数论的证明中最重要、最基本、最常用的工具就是带余除法（或称带余数除法、除法算法、欧几里得除法），它承前（整除）启后（模运算、.
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
【数论】数论算法系列文章汇总目录（持续更新中）
本文属于「数论」系列文章之一。这一系列着重于数论算法的学习和应用。由于内容随时可能发生更新变动，欢迎关注和收藏本文以作备忘。此外，在本系列学习文章中，为了透彻理解数论知识，本人参考了诸多博客、教程、文档、书籍等资料。以下是本文的不完全参考目录，在后续学习中还会逐渐补充： 数论算法，姜建国、臧明相编著，西安电子科技大学出版社 文章目录0. 数论算法前言1. 整数的可除性1.1 整除概念与带余除法1.2 整数的表示1.3 最大公因数与辗转相除法1.4 整除的进一步性质及最小公倍数1.5 算术基本定理2..
c++除法保留小数_Golang中除法和取模运算与Python3的区别
Golang中除法和取模运算与Python3的区别个人主页：[https://polar9527.github.io]除法的取整分为三类：向上取整、向下取整、向零取整。向上取整：向+∞ 方向取最接近精确值的整数。在这种取整方式下， 5 / 3 = 2， -5 / -3 = 2， -5 / 3 = -1， 5 / -3 = -1。向下取整：向-∞ 方向取最接近精确值的整数。在这种取整方式下， 5 /...
数论测试——阶乘除法
文章目录题目描述前置芝士——勒让德定理分析代码实现 题目描述 给出两个数组aaa和bbb，求a1!∗a2!∗a3!∗...∗an!b1!∗b2!∗b3!∗...∗bm!mod&ThinSpace;&ThinSpace;T\frac{a_{_1}!*a_{_2}!*a_{_3}!*...*a_{_{n}}!}{b_{_1}!*b_{_2}!*b_{_3}!*...*b_{_{m}}...
数论-模运算与同余的性质
数论-模运算与同余的性质 模运算 基础 取模运算：a % p（a mod p），表示a除以p的余数。 运算 1.模p加法：(a + b) % p = (a%p + b%p) % p 2.模p减法：(a - b) % p = (a%p - b%p) % p 3.模p乘法：(a * b) % p = ((a % p)*(b % p)) % p 4.幂模p ：(a^b) % p = ((a % p)^b...
数论-辗转相除法、唯一分解定理
没有数学就没有算法；没有好的数学基础，也很难在算法上有所成就。 数论被数学王子高斯誉为整个数学王国的皇后。数论是纯粹数学的分支之一，主要研究整数的性质。从研究方法来看，数论大致可分为初等数论和高等数论。初等数论是用初等方法研究的数论，它的研究方法本质上说，就是利用整数环的整除性质，主要包括整除理论、同余理论、连分数理论。高等数论则包括了更为深刻的数学研究工具。 我们在这里主要学习初等数论。 ...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
6582
扫一扫
