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
2025华为OD机试题库（按算法分类）：2025华为OD统一考试题库清单（持续收录中）以及考点说明（Python/JS/C/C++）。
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。
等差数列 2，5，8，11，14。。。。
从 2 开始的 3 为公差的等差数列。
输出求等差数列前n项和。
数据范围： 1≤n≤1000 。
输入一个正整数n。
【2025年华为OD机试】 (E卷,100分) - We Are A Team（JavaScript&Java & Python&C/C++）
并查集是解决团队归属问题的高效工具。通过路径压缩和按秩合并优化，可以显著提升查询和合并的效率，适用于大规模数据。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。
如何在华为OD机试中获得满分？Java实现【等差数列】一文详解！
✅创作者：陈书予 🎉个人主页：陈书予的个人主页 🍁陈书予的个人社区，欢迎你的加入: 陈书予的社区 🌟专栏地址: Java华为OD机试真题（2022&2023) 等差数列 2，5，8，11，14。。。。从 2 开始的 3 为公差的等差数列。输出求等差数列前n项和。数据范围： 1≤n≤1000 。输入一个正整数n。输出一个相加后的整数。 5. 测试
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 2025 B卷 - 求解连续序列 (C++ & Python & JAVA & JS & GO)
华为OD机试 2025 B卷 求解连续序列 提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解
华为OD 机考2025A卷 - 等差数列
华为OD 机试 2025A卷真题 等差数列 提供Java、C++、Python、Go、JavaScript源码实现
20天拿下华为OD笔试之【模拟】2025C-数字反转打印【Py/Java/C++/C/JS/Go六种语言OD独家2025C卷真题】【欧弟算法】全网注释最详细分类最全的华子OD真题题解
可上练习华子OD、大厂真题绿色聊天软件戳od1441了解算法冲刺训练（备注【优快云】否则不通过）
华为OD机考2025C卷 - 自然数分解 / 用连续自然数之和来表达整数 (C++ & Python & JAVA & JS & GO)
华为OD机试2025C卷 自然数分解,提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解
【100%通过率】2022华为机试真题 C++ 实现【磁盘容量排序】
磁盘的容量单位常用的有M，G，T这三个等级，它们之间的换算关系为1T = 1024G，1G = 1024M，现在给定n块磁盘的容量，请对它们按从小到大的顺序进行稳定排序，例如给定5块盘的容量，1T，20M，3G，10G6T，3M12G9M排序后的结果为20M，3G，3M12G9M，1T，10G6T。注意单位可以重复出现，上述3M12G9M表示的容量即为3M+12G+9M，和12M12G相等。
【华为OD机考真题】- 快递运输(B卷-100分)（Java）
🔔 本文收录于「最新最全华为OD机试真题(Java版)」专栏，带你从零基础轻松通过华为OD机试！我们为你提供了独家最优解题思路、详细的解题步骤、代码解析、复杂度分析以及最优解源码，支持多语言解题，助你顺利应对OD机考，一举成功！强烈推荐大家关注、收藏并订阅，实时更新中，确保你获取最新题库内容，up！up！up！！ 🚫 声明：坚决拒绝任何代考/替考行为，违法必究！本题库内容均来自互联网的精心搜集。 💗 订阅福利： 一次订阅，终身免费阅读，随时享受在线答疑，后续题库更新也能随时阅读和使用！
2026最新华为OD机考指南宝典 | QA答疑
欢迎来到[「最新最全华为OD机试真题(全栈版)」](https://blog.youkuaiyun.com/weixin_43970743/category_12892976.html)专栏！本专栏将带你从零基础开始，深入解析华为OD机试真题，帮助你轻松攻克每一道难题，掌握Java+Py+C+JS等四种热门语言解题技巧。无论你是刚刚接触华为OD，还是已经有一定编程基础，本专栏都能助你快速提高，精准破解华为OD机试真题，一举拿下OD机试，顺利上岸！
【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。
手把手复现金蝶云星空V8.1文件上传漏洞（附完整POC与修复方案）
本文深度解析金蝶云星空V8.1文件上传漏洞，提供详细的漏洞复现步骤与完整POC，涵盖技术原理、测试环境搭建及验证流程。同时给出多维防护方案，包括官方补丁部署、临时缓解措施和长期安全加固建议，帮助企业有效防范任意文件上传风险。
lighttools用透镜旋转手动创建菲尼尔透镜
学过很多软件，都没有留下痕迹，很多年之后只记得学过的软件常用的一些功能，稍微难一些的再次用起需要重新学，但如果留下点痕迹，重新再用就会很快。lighttools无意之中接触了，记一点点笔记吧。...
深入解析Transformer三大注意力机制：自注意力、交叉注意力与因果自注意力
注意力机制是深度学习中的核心概念，它模拟了人类在处理信息时选择性聚焦的能力。其基本原理是通过计算查询与键的相似度，动态地为值分配权重，从而提取关键信息。这一机制解决了传统序列模型（如RNN）难以并行化和捕获长距离依赖的痛点，技术价值在于显著提升了模型的计算效率和表征能力。在自然语言处理、计算机视觉等应用场景中，注意力机制已成为构建强大模型的基石。本文聚焦于Transformer架构中的三种核心注意力变体：自注意力用于建立序列内部的全局关联，交叉注意力连接编码器与解码器的信息，而因果自注意力则确保自回归生成的
Kaggle | 总奖池超200万美金的数学竞赛AIMO2冠军方案
••••结论1：通过结合高质量大规模数据集、工具集成推理和生成式选择方法，可以构建在挑战性数学问题上达到最先进水平的语言模型。本文的方法在 AIMO-2 竞赛中的胜利以及在多个数学基准上的 SOTA 结果验证了这一策略的有效性。结论2：发布 OpenMathReasoning 数据集、OpenMath-Nemotron 模型和代码是社区的宝贵财富。
CentOS7下用FreeRADIUS+AD实现802.1X认证完整指南（附华为交换机配置）
本文提供了在CentOS 7系统上部署FreeRADIUS并与Windows Active Directory集成，以实现企业级802.1X网络认证的完整实战指南。内容涵盖从架构原理、服务器配置（包括Kerberos、Samba Winbind集成）、FreeRADIUS核心设置与AD联动，到华为交换机的详细配置步骤。重点解决了生产环境中常见的高可用、动态VLAN下发及深度排错问题，为企业构建集中、安全的网络准入控制体系提供了经过验证的解决方案。
TGAT Python：图神经网络中的动态图算法
其中，图神经网络中的动态图算法成为了研究的热点之一。在模型的 forward 方法中，通过循环调用 TGATLayer 实例来进行图神经网络的前向传播。最终，模型返回图中节点的表示向量 output，可以用于图分类等任务。TGAT 算法的核心思想是在节点之间建立注意力连接，以捕捉节点在不同时间步之间的关系。TGAT 算法通过引入注意力机制和时间信息，从而有效地对动态图数据进行建模和分析。通过以上 Python 代码，我们可以方便地构建和训练 TGAT 模型，并在图分类任务中应用它。
【Inpho精品教程】Inpho简介、安装教程（附Inpho8安装包下载）
本文介绍Trimble旗下Inpho UASMaster航空摄影测量软件，涵盖其核心功能模块（如Match-AT、OrthoMaster、Summit Evolution等）及安装教程。文章详细说明了从安装到汉化破解的全过程，并提供Inpho 8.0.1安装包下载链接与提取码，适用于无人机摄影测量专业用户。
YOLOv4目标检测算法——通俗易懂的解析
YOLOv4目标检测算法——通俗易懂的解析
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版
Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。
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
1338
扫一扫
