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
1k累计阅读
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
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。
竖直四子棋的棋盘是竖立起来的，双方轮流选择棋盘的一列下子，棋子因重力落到棋盘底部或者其他棋子之上，当一列的棋子放满时，无法再在这列上下子。
一方的4个棋子横、竖或者斜方向连成一线时获胜。
现给定一个棋盘和红蓝对弈双方的下子步骤，判断红方或蓝方是
竖直四子棋算法问题
第二行依次间隔指定红蓝双方的落子步骤，第 1 步是红方落子，第 2 步是蓝方落子，第 3 步又是红方落子，以此类推。这些步骤由一组用空格分隔的数字表示，每个数字代表落子的列的编号，最左边的列编号为 1，往右依次递增。竖直四子棋的棋盘是竖立放置的，在这个游戏里，红、蓝双方会轮流选择棋盘的一列进行落子。说明：在第 7 步，红方在第 4 列落下一子后，红方的四个子在第一行连成一线，所以红方获胜，输出。非法落子步骤有两种情况，一是列的编号超出了棋盘范围，二是在已经落满子的列上落子。是落子步骤的序号，从 1 开始。
【华为OD机考真题】- 竖直四子棋(B卷-100分)（Java）
🔔本文收录于「2025华为OD机试真题(Java版)」专栏，手把手带你零基础教学华为OD机试。本题集提供最优题解思路，解题步骤，代码解析，复杂度分析及最优题解源码等，支持多语言题解，助你轻松拿捏OD机考，一举上岸！安利大家关注&&收藏&&订阅！题库正在疯狂收录中，up！up！up！！ 🚫提醒：拒绝一切代考/替考，违法必究！本人所写题库均搜集于互联网。 💗订阅福利：一次订阅，可永久免费阅读，提供在线答疑解惑，后续题库更新皆可阅读使用！
华为od机考真题-竖直四子棋
华为od机考题目
华为OD机试 - 找出作弊的人（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 五子棋迷 - 贪心算法（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 免单统计（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 数大雁（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 最快到达医院的方法（Python/JS/C/C++ 2024 E卷 100分）
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、发现新题目，随时更新，全天优快云在线答疑。
华为OD机试 - 预订酒店（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 转骰子（Python/JS/C/C++ 2024 E卷 100分）
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、发现新题目，随时更新，全天优快云在线答疑。
华为OD机试 - 响应报文时间（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
四子棋游戏，最终版本
游戏规则：在8*8格子内双方依次落子，在纵向上只能从下往上落，也就是说有“重力”。某方有四个子成一直线则胜。本程序有2种AI 设定布局模式也可以一台机器上2人玩 。这次对AI进行了些修正
立体四子棋
立体四子棋的介绍请参考网上资源(声明一下，该资源是他人的博客，该链接提供了绝大部分源码，有一个方法没有提供，我整理了一下，并修改了几个方法的参数，修改了几行代码，但是本代码没有加上博主提供的排序方法，有兴趣的话可自行添加)http://www.cnblogs.com/scobbing/p/8629761.html,代码在vs2010下已编译运行通过，理论上vs2005以上版本即可编译运行成功
java小程序 四子棋
闲来无聊 又做不好什么高深的程序 就自己臆想的做了一个四子的游戏
四子棋游戏
简易的四子棋，代码详细供人参考。人机对弈正在完善
基于python的四连环命令行小游戏
基于python的四连环命令行小游戏
【黑马点评】项目知识点及面经整理
【黑马点评】项目知识点及面经整理
电赛控制-----经验分享
1.赛前准备 先简单介绍一下电赛。电赛是两年一届，单数年是大电赛，全称是全国大学生电子设计大赛，之前由瑞萨电子赞助，所以之前也叫瑞萨杯，从19年开始赞助方变成了TI公司，偶数年是小电赛，全称是“TI杯”模电邀请赛，（这里不得不提TI公司的实力是愈来愈大了），一般来说小电赛的含金量会略低于大电赛，而且对与想拿国奖的同学来说还是要参加大电赛，因为小电赛一般每个学校会限制只有两个队伍进国赛，而大电赛是没有这个限制的，而且我们学校电赛保研的话，大电赛只要求国二，而小电赛只有国一才可以保，这样难度就增加了很多。..
FPGA 核脉冲梯形成型 Verilog 实现：从 MATLAB 到 50MHz 采样率部署
本文详细解析了FPGA实现核脉冲梯形成型的完整流程，从MATLAB仿真到50MHz采样率的Verilog硬件部署。重点探讨了梯形成型算法对负指数信号的优化处理，包括定点数量化、流水线架构设计及资源优化技巧，为核辐射探测与高能物理实验提供高效解决方案。
[原创]Keil工程STM32F103C8T6无缝转换到STM32F103RCT6
有个项目，老版本是STM32F103C8T6，硬件资源不够了，新版本采用STM32F103RCT6。 无缝过渡，如下： 选定芯片 宏定义改为STM32F10X_HD,USE_STDPERIPH_DRIVER 删除原有的启动汇编文件，更换为高密度器件汇编文件 时钟系统紊乱？ 那得看你程序怎么写： 先看F103时钟树 int main(void) { unsigned char stat...
手把手教你学Simulink实例：基于Simulink的超级电容器充放电仿真
超级电容器（Supercapacitor）是一种高容量电容器，具有快速充放电能力、长寿命和高功率密度等优点。它在能量存储系统、电动汽车、不间断电源（UPS）等领域有广泛应用。为了更好地理解和设计超级电容器的应用系统，通常需要进行详细的仿真分析。Simulink 提供了一个强大的仿真环境，可以用来设计、分析和验证超级电容器充放电系统的控制策略。本教程将详细介绍如何使用 Simulink 进行超级电容器充放电的仿真实例。通过本教程，我们详细介绍了如何使用 Simulink 进行超级电容器充放电的仿真实例。
世界职业院校技能大赛商贸赛道项目参考逐字稿一
商贸赛道“智选优品”—基于大数据与AI驱动的跨境电商平台项目参考逐字稿您订阅本专栏后即可`永久享有所有文章的查阅权`,希望我们更新的参考资料能帮助到您。如果您需要我们团队赋能培训可联系我（企业一线工程师及国一获奖选手在线培训支持：每周直播精讲（可回放，支持弹幕答疑）、代码Review＋技术售后（拉群随时问，12h内响应）、④路演PPT＋答辩话术一对一点评，评委视角提前彩排、适合：中职/高职赛项选手、指导老师带队、校企工作室、整校打包另谈（可开发票））
使用SSC添加大量的SDO条目
使用SSC添加大量的SDO条目 SSC用表格添加SDO，PDO部分必须指定到0x1600和0x1A00分配TxPdo和RxPdo映射，在0x1C12和0x1C13分别分配到SM2和SM3。在0x6000和0x7000未指定的entry就是SDO部分。
大模型——Dify：知识库与外部知识库
摘要 Dify的知识库功能为开发者提供了动态知识管理解决方案，超越了大模型静态预训练数据的限制。知识库支持多种文档格式（如txt、pdf、docx等），通过文档分段、索引设置和检索优化机制提升LLM的响应准确性。系统提供高质量和经济两种索引模式，前者采用向量化检索技术，后者使用关键词匹配以降低成本。知识库支持元数据管理，包括自动生成的内置元数据和用户自定义元数据，便于内容分类和检索。对于高级需求，Dify还支持连接外部知识库，通过API实现跨平台数据共享和检索优化，满足企业级知识管理需求。
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。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
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")
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
225
扫一扫
