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
900+累计阅读
982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
华为OD机试 2024E卷题库疯狂收录中，刷题点这里
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。
刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新，全天优快云在线答疑。
给你一个字符串s,首尾相连成一个环形,请你在环中找出o字符出现了偶数次最长子字符串的长度。
输入由一个小写字母组成的字符串s
华为OD机试Java - 字符成环找偶数O
给你一个字符串s，字符串s首尾相连成一个环形，请你在环中找出’o’字符出现了偶数次最长子字符串的长度。
2026华为OD机考新系统真题 + 双机位C卷 + 往年真题 - 题库目录分值说明 + 考点说明+在线OJ
2026年4月1日起，华为OD机试正式切换至新系统模式！采用力扣模式，无需自己写输入！ 难度大幅度降低。正在备考华为OD机试的同学，优先刷新系统机试真题，可大幅提升通过率。 新系统考题考点与旧版一致，无需重新适应。本专栏所有算法题均配有详细思路解析，并提供C语言、JS、C++、Python、Go、Java多语言源码实现。订阅后私信即可开通专属OJ刷题权限，高效备考一次上岸！
华为OD机试 新系统 双机位C卷 往年真题 机考题库（持续收录中）以及算法考点详解（Python/JS/C/C++）
刷的越多，抽中的概率越大，每一题都有详细的答题思路、详细的代码注释发现新题目，随时更新。
华为OD机试 - 环中最长子串 - 滑动窗口（Python/JS/C/C++ 2024 D卷 100分）
滑动窗口是一种算法技巧，通过在数组或序列上维持一个固定大小或可变大小的子区间，逐步移动窗口位置以高效解决涉及连续子数组或子序列的问题。
华为OD机试 - 最长子字符串的长度(二) （Python/JS/C/C++ 2024 D卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 寻找链表的中间结点（Python/JS/C/C++ 2024 E卷 100分）
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新。给定一个单链表 L，请编写程序输出 L中间结点保存的数据。如果有两个中间结点，则输出第二个中间结点保存的数据。例如：给定 L 为 1 -> 7 -> 5，则输出应该为 7; 给定 L 为 1 -> 2 -> 3 -> 4，则输出应该为 3。每个输
华为OD机试 - 最长子字符串的长度（Python/JS/C/C++ 2024 E卷 100分）
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新。给你一个字符串s，字符串s首尾相连组成一个环形，请你在环形中找出‘o’字符出现了偶数次最长子字符串的长度。输入一串小写字母组成的字符串。输出一个整数。abc3‘o’ 出现次数为 0（偶数），整个字符串符合要求，长度为 3。xox2字符串长度为 3
华为OD机试 - 学校的位置 - 中位数（Python/JS/C/C++ 2024 B卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 新学校选址（Python/JS/C/C++ 双机位A卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
【2025年华为OD机试】(E卷,100分)-敏感字段加密 （JavaScript&Java & Python&C/C++）
华为OD（Outsourcing Developer，外包开发工程师）是华为针对软件开发工程师岗位的一种招聘形式，主要包括笔试、技术面试以及综合面试等环节。尤其在笔试部分，算法题的机试至关重要。
【2024年华为OD机试】 (C卷,100分)- 最长子字符串的长度（一）（Java & JS & Python&C/C++）
字符出现了偶数次的最长子字符串的长度。字符出现了偶数次的最长子字符串的长度。，首尾相连成一个环形，请你在环中找出。，由于是首尾连接一起的，所以最后一个。是连接在一起的，此字符串包含2个。通过上述步骤，我们可以高效地求出。以下是带有详细中文注释和讲解的。以下是带有详细中文注释和讲解的。以下是带有详细中文注释和讲解的。输入是一个小写字母组成的字符串。如果有其他问题，欢迎继续提问！如果有其他问题，欢迎继续提问！如果有其他问题，欢迎继续提问！如果有其他问题，欢迎继续提问！本身就是最长的，因为。
【2024年华为OD机试】(B卷,100分)- 数字反转打印（Java & JS & Python&C/C++）
华为OD（Outsourcing Developer，外包开发工程师）是华为针对软件开发工程师岗位的一种招聘形式，主要包括笔试、技术面试以及综合面试等环节。尤其在笔试部分，算法题的机试至关重要。
【2024年华为OD机试】(A卷,100分)- 新学校选址 （Java & JS & Python&C/C++）
本题的核心在于利用中位数定理确定学校的最佳位置。通过排序和查找中位数，可以高效地解决问题。题目要求输出最小的位置，因此在偶数情况下需要选择中间两个位置中的较小者。通过合理设计算法和数据结构，可以高效解决该问题。该代码通过排序和查找中位数，高效地解决了学校选址问题。核心逻辑清晰，代码简洁，能够正确处理各种边界情况。你的Java代码逻辑正确，能够正确计算中位数。通过测试用例验证了代码的正确性。建议添加输入校验和注释以提高代码的健壮性和可读性。排序方法：在JavaScript中，必须使用。
YOLO详解
本文参考知乎 https://zhuanlan.zhihu.com/p/25236464 1. YOLO的创新点 YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。 从网络设计上，YOLO与two steps的目标检测方法如RCNN、Fast RCNN和Faster RCNN的区别如下： YOLO训练和检测均是在一个单独网...
Windows本地化部署Dify完整指南
本文详细介绍了在Windows系统上本地化部署Dify的完整步骤，涵盖了Docker Desktop的安装与配置、Dify源代码的获取、环境变量的设置、服务的启动与管理、以及常见问题的解决方案。文章首先指导用户如何下载和安装Docker Desktop，并配置WSL 2功能。接着，详细说明了如何获取Dify源代码，并通过Docker Compose启动服务。文章还提供了高级配置指南，包括如何配置大语言模型和更新Dify版本。最后，针对Docker镜像拉取失败等常见问题，提供了详细的诊断和解决方案。通过本文，
同态加密与SEAL库实战：CKKS参数调优避坑指南
本文深入探讨了同态加密技术中CKKS方案的参数调优实践，重点解析了SEAL库中`poly_modulus_degree`、`coeff_modulus`和`scale`三大核心参数的配置技巧与避坑指南。通过实战案例展示了如何平衡计算深度、精度与性能，为开发者提供了一套完整的参数优化方法论，帮助避免常见的'scale out of bounds'等错误，显著提升同态加密应用的可靠性和效率。
基于YOLOv5的隧道衬砌缺陷智能检测系统
计算机视觉在工程检测领域正发挥越来越重要的作用，特别是目标检测技术通过深度学习算法实现了对复杂场景的智能分析。YOLOv5作为当前主流的目标检测框架，通过改进网络结构和训练策略，可以显著提升检测精度和效率。在隧道工程领域，结合通道注意力机制和多尺度特征融合技术，能够有效解决衬砌缺陷识别中的小目标检测难题。这种AI检测系统相比传统人工判读地质雷达图像，不仅将效率提升20倍，还能将识别准确率提高到92.3%，特别适用于3cm以上结构缺陷的自动化检测。系统通过深度可分离卷积等优化，实现了模型轻量化，便于在边缘计算
实操微信支付，适合第一次接通微信支付的同学
我的实际操作命令如下：就会生成图3中多出来的file文件夹，/Users/camel/cert/xxxxxx_cert/file/wechatpay_5A4xxxxxxxxxx9.pem，wechatpay_xxxxx5A4849E9.pem就是微信支付平台证书，也是程序真正需要的。•注意：我的操作说明，我是把下载好的 CertificateDownloader.jar 文件，放在了解压证书的目录里(图3)。//下面的静态参数要仔细看下面的解释，否则只会调用别人写好的方法，压根学不会0-1接入微信支付。
华为OD机试真题 新系统【查找能被整除的最大整数】
华为OD新系统机试真题【查找能被整除的最大整数】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【查找能被整除的最大整数】
机器学习势能（MLPs） 第一章 基础理论与核心概念 第二章 数据生成与训练集构建
密度泛函理论（DFT）作为现代计算材料科学的基石，通过求解Kohn-Sham方程在电子结构层面提供可靠的势能面信息。然而，其计算复杂度随体系电子数呈O(N3) 至O(N4) 增长，对于包含数百个原子的体系，单点计算往往需消耗数小时至数天的计算资源。这一瓶颈严重限制了分子动力学模拟的时间尺度，传统DFT-MD通常仅能覆盖皮秒量级，远不足以观测扩散、相变等慢动力学过程。经验力场通过解析函数形式描述原子间相互作用，实现了经典力学的计算效率，但其参数化过程高度依赖物理直觉与经验调参。
CloudCompare源码分析之CCCoreLib模块：ICP算法（阅读经典）
CloudCompare源码分析之CCCoreLib模块：ICP算法（阅读经典）
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")
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
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
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
152
扫一扫
