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
900+累计阅读
969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。
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
华为OD机试【AI面板识别】(java)(100分)
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，排序规则： 1. 每次在尚未排序的灯中挑选最高的灯作为的基准灯， 2. 找出和基准灯属于同一行所有的灯进行排序。两个灯高低偏差不超过灯半径算同一行（即两个灯坐标的差 ≤ 灯高度的一半）。
华为OD机试 - AI面板识别（Java 2025 A卷 100分）
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)，，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。，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。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。排序后的编号列表，编号之间以空格分隔。请输出先行后列排序的指示灯的编号。
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华为OD机试真题目录【E卷+A卷+B卷+C卷+D卷】持续收录中
本专栏提供2025最新最全的华为OD机试真题库（E+A+B+C+D卷），包括100分和200分题型。题目包含题目描述、输入描述、用例、备注和解题思路、多种语言解法（Java/JS/Py/C/C++）。希望小伙伴们认真学习、顺利通过。
【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。
【秋招笔试】2025.09.10华为ai算法岗笔试真题
这篇文章摘要如下： 📌 华为算法笔试题目集锦，包含选择题和编程题两部分。选择题部分涵盖算法理论、机器学习、概率统计、优化算法等20道题目（15单选+5多选），涉及牛顿迭代法、聚类算法、线性代数、自然语言处理、注意力机制等核心知识点。编程题部分包含两个中等难度题目：1）企业智能知识检索系统（时间窗口TF-IDF+时间衰减权重）；2）金融数据多维特征分析系统（滑动窗口特征提取）。文章提供了样例输入输出和题解思路，适合准备华为算法笔试的求职者参考学习。
【华为OD-E卷 -76 ai面板识别 100分（python、java、c++、js、c）】
对于每个灯光，读取其编号 id、两个角点的坐标 (x1, y1) 和 (x2, y2)，然后根据这些信息计算出灯光的中心坐标 (x, y) 和半径 r。每个灯光的编号 id 和它的两个角点坐标 (x1, y1) 和 (x2, y2)，程序需要通过这些数据计算出灯光的中心坐标 (x, y) 和半径 r。每个灯光的坐标 (x, y) 是由其给定的两个角的坐标计算得来的：x = (x1 + x2) // 2 和 y = (y1 + y2) // 2。输出每一组中灯光的索引，按排序后的顺序输出所有组的灯光索引。
华为OD机试2025A卷 - AI面板识别（Java & Python& JS & C++ & C ）
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)，。
【OD统一考试（B卷）考生抽中题】AI 识别面板，用 C++ 编码，速通
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，参加华为 od 机试，一定要注意不要完全背诵代码，需要理解之后模仿写出，通过率才会高。👇 全网 6000+人正在学习的 爬虫专栏 👇👇👇👇。个指示灯，灯大小一样，任意两个之间无重叠。排序后的编号列表，编号之间以空格分隔。编号 x1 y1 x2 y2。第一行为 N，表示灯的个数。AI 识别到面板上有。2：1
大模型训练 - 华为机试真题第二题（200分）
考试平台：题目类型： 3 道编程题 （100分 + 200分 + 300分）考试时间： 2024-01-24 （两小时）AI大模型学习大量的训练样本，通过大量参数拟合出样本背后复杂的高维概率密度分布关系。由于训练数据量越来越大，参数越来越多，模型越来越大，传统超级计算机算力和资源有限无法满足训练需求，假设可通过量了计算机来进行人模型训练。现有简化后训练了任务模型列表 tasks， tasks[i] 表示第 i个子任务模型的算力需求，为了保证模型计算的SLA要求所有的子任务模型在T个时刻内完成计算。
华为Ai岗机考20250903完整真题
华为自26届秋招（2025年起）对AI岗位机考进行了改革，考试题型调整为**20道选择题（15道单选+5道不定项选择）+2道编程题**。 题目核心围绕人工智能技术（如Transformer架构、EM算法、PCA降维、激活函数等）与数学基础（如线性变换、概率分布、数值迭代、插值计算等）展开，相较于以往题型，知识覆盖面与考查深度均有显著变化。 目前，网络上针对此次改革后AI岗位的完整机考试卷资源较为稀缺。本次特别整理并提供2025年9月3日华为AI岗位机考的完整真题。
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。
gem5 run parsec2.1 ---- 亲测跑通教程
使用gem5模拟仿真parsec2.1，排除了各种bug，成功跑通，亲测有效！！！
Cadence17.2 ＞ Allegro ＞ 检查PCB Layout信号线组等长
Cadence17.2 > Allegro > 检查PCB Layout等长和配线
CISP-PTE考前实操练习题
CISP-PTE考前学习练习题目，渗透测试功工程师
深度解析跨境支付之业务架构
详解跨境支付之业务架构
AI编程工具深度对比：Cursor、Copilot、Trae与Claude Code，2025年开发者该如何选择？
2025年AI编程工具市场已形成四大主力阵营：Cursor（AI原生IDE）、GitHub Copilot（行业标准）、Trae（中国免费方案）和Claude Code（终端交互）。核心差异体现在技术能力（代码生成准确率85%-95%）、智能体协作程度和上下文处理能力（8K-200K tokens）。用户体验方面，Trae对中文支持最佳且免费，Copilot企业集成强，Cursor平衡易用与功能，Claude Code适合高阶开发者。实际测试显示，不同工具在原型开发、算法实现等场景各有优势
RT-DETR改进目录一览 | 涉及卷积层、轻量化、注意力、损失函数、Backbone、SPPF、Neck、检测头等全方位改进
1️⃣本专栏已更新260多种不同的改进方法，所使用并改进的每一个模块均包含详细的模块分析、原理讲解、个人总结、多种改进方式以及完整的修改流程，所有改进100%可直接运行。2️⃣所有改进点均为近三年顶会，顶刊提出的先进算法，将其融入到中，紧跟学术热点，适应不同的任务场景。3️⃣团队内发表数篇SCI论文，熟悉完整的发表流程，订阅专栏即可进群享受模型训练、模型改进、论文写作、投稿选刊，从入门到论文的各种答疑内容。4️⃣专栏内容会持续更新，最近更新时间：2024-12-4。项目介绍在大家购买专栏后，加入学习
学Simulink——基于Simulink的PMSM直接转矩控制（DTC）与SVPWM对比
（如SVM-DTC），将一个控制周期Tc分为两部分：前Ton用有效矢量，后Toff用零矢量，通过调节Ton/Tc减小脉动。：根据ψs扇区（6个）、Te误差（±滞环带）、ψs误差（±滞环带）选择8个基本电压矢量（6有效矢量+2零矢量）。：低速时需用电流模型（ψs=Lsis+ψf），高速时用电压模型（es=ωψf），避免纯积分漂移；：基于us=Rsis+Lsdtdis+es（es为反电动势），用电压模型估算ψs；
【100%通过率】华为OD机试真题 Python 实现【网上商城优惠活动 / 模拟商场优惠打折II】
某网上商场举办优惠活动，发布了满减、打折、无门槛3种 优惠券，分别为: 1：每满100元优惠10元，无使用数限制，如100~199元可以使用1张减10元，200~299可使用2张减20元，以此类推; 2：92折券，1次限使用1张，如100元，则优惠后为92元， 3：无门槛5元优惠券，无使用数限制，直接减5元。
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
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")
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
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
635
扫一扫
