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
1.2k累计阅读
1.2k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。
主办方设计了一个获取食物的游戏。
游戏的地图由 N×N×N 个方格组成，每个方格上至多 222 个传送门，通过传送门可将参与者传送至指定的某些方格。同时，每个方格上标注了三个数字：
华为OD机试 - 获取最多食物 - 拓扑排序、动态规划（Java 2024 E卷 200分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
【华为OD机试真题 Python语言】288、获取最多食物 | 机试真题+思路参考+代码分析
主办方设计了一个获取食物的游戏，游戏的地图由N 个方格组成，每个方格上至多2个传送门，通过传送门可将参与者传送至指定的其它方格，同时，每个方格上标注了三个数字： 1、第一个数字id: 代表方格的编号，从0到N-1，每个方格各不相同； 2、第二个数字parent-id :代表从编号为parent- id 的方格可以通过传送门传送到当前方格(-1则表示没有任何方格可以通过传送门传送到此方格，这样的方格在地图中有且仅有一个)； 3、第三个数字value：取值在[100，1
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 - 最长的顺子 - 动态规划（Python/JS/C/C++ 新系统 200分）
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。
华为OD机试 - 简易内存池（Python/JS/C/C++ 新系统 200分）
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。
华为OD机试 - 字符串分割（Python/JS/C/C++ 2025 B卷 100分）
分隔成 N+1 个子串，给定正整数数组 K，要求除第一个子串外，其余的子串每 K 个字符组成新的子串，并‘-’分隔。反之，如果它含有的大写字母比小写字母多，则将这个子串的所有小写字母转换为大写字母；对于新组成的每一个子串，如果它含有的小写字母比大写字母多，则将这个子串的所有大写字母转换为小写 Q 字母；子串为 12abc、abCABc、4aB@，第一个子串保留，后面的子串每 3 个字符一组为 abC、ABC、4aB、@，子串为 12abc、abCABc、4aB@，第一个子串保留，输出转换后的字符串。
华为OD机试 - 幻方修复（Python/JS/C/C++ 2025 B卷 200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。幻方（Magic Square）是一个由 1~N²，共 N² 个整数构成的 N*N 矩阵，满足每行、列和对角线上的数字和相等。上回你已经帮助小明将写错一个数字的幻方进行了修复，小明在感激之余也想进一步试试你的水平，于是他准备了有两个数字发生了位置
华为OD机试 - 荒岛求生 - 栈Stack（Python/JS/C/C++ 新系统 100分）
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。
华为OD机试 - 开源项目热度榜单（Python/JS/C/C++ 2025 C卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 计算误码率（Python/JS/C/C++ 双机位C卷 100分）
移动通信 网络中的误码率主要是指比特误码率，其计算公式如下：比特误码率 = 错误比特数 / 传输总比特数，为了简单，我们引入字符串来表示误码通信的信息，一个字符错误了，就认为出现了一个误码。我们需要将这两个压缩字符串解压成实际的字符序列，然后逐位比较它们，统计误码（不同字符）的数量。题目给出两个经过压缩编码的字符串，通过解压缩后需要判断两个字符串在解压后的误码率，即对应位置不同的字符数量占总字符数量的比例。输入一个标准的字符串，和一个传输前的字符串，计算误码率。两个解压后的字符串完全相同，没有错误字符。
华为OD机试 - 绘图机器 - 双指针（Python/JS/C/C++ 新系统 100分）
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。
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 - 德州扑克 - 逻辑分析（Python/JS/C/C++ 2025 C卷 200分）
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 - TLV格式（Python/JS/C/C++ 2025 C卷 100分）
两端通过TLV格式的报文来通信，现在收到对端的一个TLV格式的消息包，要求生成匹配后的(tag,length,valueOffset)列表。和需要匹配的n个tag对应的n行匹配结果，每一行由长度和偏移量组成。第二行：需要匹配的tag数量n(0 < n < 1000)后面N行：需要匹配n个tag值(十进制表示)，递增排列。标签10（0A）存在，长度3，valueOffset=2。标签15（0F）长度4，valueOffset=2。标签14（0E）长度2，valueOffset=8。
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 - 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 - 推荐多样性（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。
一。CST 电路 微带低通滤波器设计练习 I
CST 电路和系统软件功能还是比较强的，我们一起一步一步学习，一起进步。 这个例子出现在CST的电路和系统软件功能（Circuit Simulation & SAM (System Assembly and Modeling) ）介绍资料中。本文是用CST2021建模操作仿真到，不同版本在视觉和结果上稍有不同。 利用电路模块可以很快很准确地建立3D微带平面电路，用于仿真滤波器、功分器、巴伦等等。
华为、Cisco、H3C、中兴网络设备如何配置syslog日志采集
华为、Cisco、H3C、中兴网络设备如何配置syslog日志采集
Word多级标题出现黑块的解决思路（word 数字必须介于1-1638之间）
遇到多级目录出现黑块问题，看到一篇博客完美解决，在此记录。
AtmelStudio 7 ASF库学习笔记一：新建工程、配置时钟、下载程序和查看官方例程
由于需要学习一下atmel的atsaml 系列，使用AtmelStudio 7开发，之前主要用STM32，现在看到Atmel的库函数，其实是有些类相似的。 ASF3的库对应ST的标准库。ASF4对应ST的HAL库，Ateml Start对应STM32CubeMX。但在这里还是用ASF3来开发，因为Ateml Start还不支持我的这个芯片，而且和STM32的HAL库类似，ASF4为了好移植都是底...
Win10下Altera USB-Blaster驱动安装详解：禁用数字签名与排查指南
在嵌入式开发和FPGA调试过程中，驱动安装是工程师绕不开的环节，尤其是当操作系统对驱动签名有严格限制时，硬件往往无法被正常识别。数字签名是系统验证驱动程序来源和完整性的重要机制，Win10出于安全考虑，默认拒绝加载未经签名的驱动，这正是Altera USB-Blaster下载器在设备管理器中显示未知设备或黄色感叹号的根本原因。通过理解设备管理器的排查逻辑，掌握临时禁用驱动强制签名或开启测试模式的方法，配合正确的驱动文件路径选择与手动安装操作，即可解决Quartus无法检测到下载器的问题。这一流程同样适用于许
【Android面试八股文】Handler如果没有消息处理是阻塞的还是非阻塞的？Looper 为什么要使用死循环？Android中为什么主线程不会因为Looper.loop()里的死循环卡死？
Handler如果没有消息处理是阻塞的还是非阻塞的？ Looper 为什么要使用死循环？ Android中为什么主线程不会因为Looper.loop()里的死循环卡死？
开源的预测气象大模型与数据获取/可视化
「开源气象大模型与数据获取指南」摘要： 当前主流AI气象模型（如ECMWF的AIFS、DeepMind的GraphCast、华为Pangu等）主要基于ERA5/HRES数据训练。开源资源可通过ECMWF OpenData、GitHub仓库及Google Cloud获取，其中AIFS数据采用CCBY-4.0许可可商用，其他模型多有限制性许可。典型应用流程包括：1）通过Python包获取实时预报数据；2）加载预训练权重进行推理；3）使用xarray/cartopy或Zarr进行可视化。训练数据可从CDS下载ER
麻辣香锅病毒分析
Spicy Hot Pot浏览器劫持病毒（麻辣香锅病毒）从2020年初被安全公司监测到，因其病毒模块带有MLXG_KM被安全行业代称麻辣香锅病毒。目前通过各种激活工具传播， 包括暴风激活、小马激活和KMS激活等诸多工具，疑似与下载站进行合作推广此类激活工具。Spicy Hot Pot 是一个浏览器劫持 Rootkit，它会将用户的主页更改为指向恶意软件操作员控制的页面，此外还会将内存转储从机器上传到预定义的服务器，并结合本地更新功能以确保其保持更新。通常浏览器劫持者会通过更改用户主页的恶意可执行文件或注册表
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，
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
841
扫一扫
