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
有一座保密大楼，你从 0 楼到达指定楼层 m，必须这样的规则乘坐电梯：
给定一个数字序列，每次根据序列中的数字 n,上升 n 层或者下降 n 层，前后两次的方向必须相反，规定首次的方向向上，自行组织序列的顺序按规定操作到达指定楼层。
求解到达楼层的序列组合，如果不能到达楼层，给出小于该楼层的最近序列组合。
说明：
第一行：期望的楼层，取值范围 [1,50]；序列总个数，取值范围 [1,23]。
第二行：序列，每个值的取值范围 [1,50]。
能够到达楼层或者小于该楼层最近的序列。
5 3
1 2 6
6 2 1
【华为OD机试真题 C++语言】327、乘坐保密电梯 | 机试真题+思路参考+代码解析
>有一座保密大楼，你从0楼到达指定楼层m，必须这样的规则乘坐电梯： > 给定一个数字序列，每次根据序列中的数字n，上升n层或者 下降n层，前后两次的方向必须相反，规定首次的方向向上，自行组织序列的顺序按规定操作到达指定楼层 > 求解到达楼层的序列组合，如果不能到达楼层，给出小于该楼层的最近序列组合
2024华为OD机试题库-(A卷+B卷+C卷+D卷+E)-(JAVA、Python、C++)
博主是一名资深后端开发人员，精通C++，Python，Java，乐于分享面试经验，已帮助千余名同学通过OD机考！这些题目博主每一道都刷了至少两遍，每一行代码都蕴含了博主从业以来所积累的所有经验和技巧，可谓干货满满！
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！
2026华为OD机试（JAVA&Go）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ
华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Java实现。
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。
2026华为OD机试（Python）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ
华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Python实现。
2026华为OD机试（C++）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ
华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，C++实现。
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
每一题都有详细的答题思路、详细的代码注释、样例测试，发现新题目，随时更新，全天优快云在线答疑。
2026华为OD机试（JavaScript）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ
华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，JavaScript实现。
2026华为OD机试（C语言）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ
华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，C语言实现。
【华为OD机试真题2023C&D卷 JAVA&JS】乘坐保密电梯
乘坐保密电梯 有一座保密大楼，你从0楼到达指定楼层m，必须这样的规则乘坐电梯： 给定一个数字序列，每次根据序列中的数字n上升n层或者下降n层，前后两次操作的方向必须相反，规定首次的方向向上，自行组织序列的顺序按规定操作到达指定楼层。求解到达楼层的序列组合，如果不能到达楼层，给出小于该楼层的最近序列组合。说明：操作电梯时不限定楼层范围。必须对序列中的每个项进行操作，不能只使用一部分。
乘坐保密电梯（Java）
貌似是一个组合对应多个排列的情况，这个解决方案是，我们可以在求组合之前，就将nums进行降序，这样先被选进组合的元素必然是大值，因此最后交叉合并的目标序列肯定只会是6 2 1，而不会是1 2 6。给定一个数字序列，每次根据序列中的数字n，上升n层或者下降n层，前后两次的方向必须相反，规定首次的方向向上，自行组织序列的顺序按规定操作到达指定楼层。给定一个数字序列，每次根据序列中的数字n，上升n层或者下降n层，前后两次的方向必须相反，规定首次的方向向上，自行组织序列的顺序按规定操作到达指定楼层。
华为OD机试 - 乘坐保密电梯 - 回溯 - 感谢 @陈凌 提供的改进代码（Java 双机位A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、样例测试，发现新题目，随时更新，全天优快云在线答疑。
2024华为OD机试真题目录-(B卷C卷D卷)-【C++ Java Python】
我是一名软件开发培训机构的老师，我的学生有几十名都通过了华为OD机考，我经常把机考真题作为课后作业让学生练手，和学生一起交流解题思路。华为OD机试题库每半年更新一次，2024年6月-10月都是考C卷D卷，大家可以充分利用这段时间进行准备和复习！
基于JavaFX的Http Server模拟器
源码地址 GitHub - DayRain/http-server-simulator: http server 模拟器 功能描述 HttpServer模拟器，通过简单的配置即可模拟第三方服务端，用于接收和响应HTTP请求。 支持同时模拟多个服务、动态添加接口、动态配置返回值。 使用说明 运行 exe运行 编译代码后，点击exe直接运行 代码运行 下载好代码后，运行主类ApplicationStarter即可 新建服务 主界面如下 点击 文件-新建 创建新的服务 ...
Ovito隐藏技巧：用Expression Selection快速提取分子链（附模糊背景配置参数）
本文详细介绍了Ovito软件中Expression Selection功能的隐藏技巧，用于从复杂的分子动力学模拟数据中快速、精准地提取目标分子链。通过结合Expand Selection和Invert Selection等修饰器，形成一套高效的工作流，并深入解析了实现SCI论文级渲染效果的景深模糊参数配置，帮助研究者大幅提升数据处理与图片生成效率。
CTF实战：手把手教你用Python破解转轮机加密（附完整脚本）
本文详细介绍了如何使用Python逆向破解转轮机加密，特别针对CTF比赛中的Crypto类题目。通过解析转轮机加密原理、实战Python脚本编写及调试技巧，帮助参赛者快速掌握破解方法，提升在攻防世界等CTF比赛中的解题效率。
ASP.NET Core Identity + Mysql（实战一）——注册登陆
在进行实战之前，我们先来了解一下Identity。 ASP.NET Core Identity是用于构建ASP.NET Core Web应用程序的成员资格系统，包括成员资格、登录和用户数据存储。简单的来讲包括： 1.用户数据存储（使用任意你喜欢的关系型数据库，从sqllite到mysql、sqlserver等等，由Entity Framwork 支持） 2.登陆、注册外加身份认证（基于coo...
手把手教你用LabelImg打造专属YOLO数据集：从标注到训练全攻略！
YOLO（You Only Look Once）是一种快速、高效的目标检测算法。它使用一种简洁的.txt文件格式来保存每张图片中的标注信息，适合构建自定义目标检测数据集。🔹 图像文件.jpg.png等；每张图片将对应一个同名的标签文件（.txtdog.jpg对应dog.txt；图像在训练前通常会被缩放成统一尺寸，例如 YOLOv3 默认输入为416x416。🔹 标签文件（.txt）是一个纯文本文件；每一行表示一个标注目标；字段说明类别编号，从0开始，例如：狗是0，猫是1x_center。
2ED2410-EM的使用
2ED2410-EM的使用
[案例四] 智能填写属性工具（支持装配组件还有建模实体属性的批量创建、编辑）
本次案例主要是对上次导出自动导出BOM的一个前处理，要想导出属性，首先的有属性。于是本着学习的态度进行制作，可能有些功能有点别扭（支持装配环境下组件属性的批量填写，支持建模环境下的实体（不包括装配组件实体）——为了减负我把其过滤掉了，一般没人会往装配体里添加进行建模吧，但是不免有奇葩，哈哈哈）。
第55篇：数据隐私保护技术盘点——差分隐私、同态加密与它们的坑（踩坑总结）
数据隐私保护是AI工程化中必须严肃对待的课题。差分隐私和同态加密是两把利器，但也都是“重武器”，使用不当反而会伤及自身。差分隐私像“模糊处理”，通过加噪来保证统计安全性，要小心管理隐私预算和效用权衡。同态加密像“保险箱里打算盘”，保证了计算的精确性，但必须承受巨大的性能和工程复杂度代价。我的建议是：从小规模实验开始，先用DP-SGD在MNIST/CIFAR-10等标准数据集上感受噪声与精度的关系；再用TenSEAL等易用的库尝试一个加密逻辑回归，体会密文膨胀和速度延迟。
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
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")
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
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。
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
2228
扫一扫
