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
700+累计阅读
740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 2025A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。
AI识别到面板上有N（1 ≤ N ≤ 100）个指示灯，灯大小一样，任意两个之间无重叠。
由于AI识别误差，每次别到的指示灯位置可能有差异，以4个坐标值描述AI识别的指示灯的大小和位置(左上角x1,y1，右下角x2,y2)，
请输出先行后列排序的指示灯的编号，排序
【2024年华为OD机试】(B卷,100分)- AI面板识别 （JavaScript&Java & Python&C/C++）
题目要求按“先行后列”排序，核心在于每次选择最高的灯作为基准灯，并找出同一行的灯进行排序。通过灯的高度和半径判定同一行，确保排序规则的正确性。最终输出排序后的编号列表。该代码的主要功能是对一组灯进行排序和分组，使得同一行的灯按照x坐标升序排列，不同行的灯按照y坐标升序排列。最终输出所有灯的id，按照行和列的顺序排列，并用空格分隔。该代码的主要功能是对一组灯进行排序和分组，使得同一行的灯按照x坐标升序排列，不同行的灯按照y坐标升序排列。最终输出所有灯的id，按照行和列的顺序排列，并用空格分隔。
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（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。
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。
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。
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 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。
【2025年华为OD机试】(E卷,100分) - AI面板识别AI控制面板 （JavaScript&Java & Python&C/C++）
核心逻辑按先行后列的规则对指示灯排序。关键点选择基准灯。判断同一行的灯。按列排序。注意事项确保垂直位置差 (\leq) 灯高度的一半。按 (x1) 从小到大排序同一行的灯。每个灯包含编号、中心坐标 ((x, y)) 和半径 (r)。核心逻辑按先行后列的规则对指示灯排序。关键点选择基准灯。判断同一行的灯。按列排序。注意事项确保垂直位置差 (\leq) 灯半径。按 (x) 坐标排序同一行的灯。核心逻辑按先行后列的规则对指示灯排序。关键点选择基准灯。
华为笔试题大全（史上最全且含详细答案）
找工作期间自己总结的华为笔试题目大全，非常全面并且包括详细的答案。
C#实现串口通讯程序
1、自动获取本地串口。2、根据传入串口基本属性参数打开串口。3、串口数据的发送接收功能（ASCII和HEX格式）。4、ASCII和HEX相互转换。csharp体验AI代码助手代码解读复制代码[Category("UserProperty")] [Description("轮廓半径")] public int Radius { get => radius;
英飞凌功率MOSFET SPICE 瞬态仿真不收敛问题解决（基于TINA）
英飞凌功率MOSFET SPICE仿真容易出现不收敛问题，这个对于IGBT和SIC的管子应该是一样的，在瞬态仿真分析中，出现如下图所示的报错，Convergence problem。spice是为线性电路设计的，例如运算放大器、线性电源等，不是专门仿真开关电路的。在瞬态仿真时，仿真器是要不断迭代求解的，开关快速的跳变，容易在迭代式出现不收敛的问题。，由于时间步长减少，会消耗更多的计算机内存，如果运行多次内存消耗过大，会报“Out of memory”.解决方法是：报错工程，重启软件，内存重新计算。
操作系统课程项目 OS project —— Pintos from Project 1 to Project 3
Pintos Project 陪伴我们操作系统课程大半个学期了…… 虽然做了这么长时间，个人能力有限，pintos代码，看过的可能也就看懂了一半吧，更不用说没看过的了…… 但是也找到了一些有价值的资料，整理一下，供后辈们参考…… 关于环境的问题，最好是用ubuntu 16.04 windows用户不要折腾装双系统了，特别是win10，动不动更新一下，说不定双系统就出问题了，linux...
【Unity】YooAsset与HybridCLR：高效资源管理与代码热更的黄金组合
本文深入探讨了Unity开发中YooAsset与HybridCLR的组合应用，为需要长期运营的项目提供了完整的资源与代码热更新解决方案。YooAsset作为高效的资源管理框架，简化了AssetBundle的打包、加载与热更流程；而HybridCLR则攻克了IL2CPP模式下C#代码无法热更的难题。两者结合，实现了从资源到逻辑的平滑在线更新，极大提升了开发迭代与线上维护的效率。
LTspice基础教程-028.Timestep too small
Q: “Timestep too small” error message A: If the LTspice program can’t find a solution for the guessed time step, then the program decreases the time step and tries again. This can’t work forever. If...
手把手教你用U盘给海信IP501H刷机：GK6323V100C芯片的4.4.2和9.0固件实战
本文详细介绍了海信IP501H电视盒子基于GK6323V100C芯片的刷机实战指南，涵盖Android 4.4.2强刷和Android 9.0免拆刷机两种方案。从工具准备、短接操作到ADB调试，提供全流程解析和常见问题解决方案，帮助用户安全高效地完成刷机操作。
工业相机通用SDK封装实战：C#硬件抽象层(HAL)实现多品牌无缝切换
本文介绍了一种解决工业相机SDK碎片化问题的通用解决方案。作者基于多年工业视觉项目经验，提出通过硬件抽象层(HAL)和适配器模式封装不同品牌相机的SDK差异，实现统一的相机操作接口。文章详细分析了传统直接对接SDK方式的四大痛点：接口碎片化、维护成本高、业务耦合度高和稳定性差，并给出了分层架构设计方案。该方案采用三层架构（业务层、抽象层、实现层），遵循最小接口原则和高内聚低耦合等设计理念，定义了包括触发模式、像素格式等通用枚举类型，以及图像数据结构等核心抽象。最终实现的HAL层能够支持多种品牌相机，显著降低
50、压电微泵与技术设备驱动的研究分析
本文研究了压电微泵在弹性微通道中的流体流动特性及技术设备驱动的振动行为。通过建立轴对称流固耦合模型，利用FreeFem++进行数值模拟，分析了不同数量压电致动器和频率对微泵流量的影响，发现多个致动器按特定时序压缩可产生净正向流量，并提出了稳态流量的近似解析公式。同时，针对技术设备驱动系统，探讨了周期性负载引起的强迫振动特性，明确了共振条件及影响因素，并比较了主动、被动和优化设计等振动控制策略。最后展望了实验验证、多物理场耦合与智能控制等未来研究方向，为相关设备的优化设计与高效运行提供了理论支持。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
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")
廖雪峰Python教程[完整版]
廖雪峰的python教程整理的，已经排好版了，而且还是完整的，适合小白
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
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
885
扫一扫
