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
1.3k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
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。
假设直到某段连续时间内股票价格，计算通过买入卖出获得的最大收益。
输入一个大小为 n 的数 price(p1,p2,p3,p4…pn)，pi 是第i天的股票价格。
pi 的格式为股票价格（非负整数）包括货币单位 Y 或者 S，其中 Y 代表人民币，S 代表美元，这里规定 1 美元可以兑换 7 人民币。
Pi 示例 1: 123Y 代表 123 元人民币
Pi
【华为OD机考真题】- 最大股票收益(A卷-100分)（Java）
🔔本文收录于「2025华为OD机试真题(Java版)」专栏，手把手带你零基础教学华为OD机试。本题集提供最优题解思路，解题步骤，代码解析，复杂度分析及最优题解源码等，支持多语言题解，助你轻松拿捏OD机考，一举上岸！安利大家关注&&收藏&&订阅！题库正在疯狂收录中，up！up！up！！ 🚫提醒：拒绝一切代考/替考，违法必究！本人所写题库均搜集于互联网。 💗订阅福利：一次订阅，可永久免费阅读，提供在线答疑解惑，后续题库更新皆可阅读使用！
华为OD机试 - 数组去重和排序(2025A卷 100分)
华为OD2025A卷真题 数组去重和排序 提供Java、C++、Python、Go、JavaScript源码实现
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。
华为OD机试真题 - 最大股票收益 (D卷,100分)
2024华为OD机试真题，代码包含语言java、js、python、c 代码基本都有详细注释。 题目描述 假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益。 输入一个大小为 n 的数 price(p1,p2,p3,p4…….pn),pi 是第i天的股票价格。 pi 的格式为股票价格(非负整型)加上货币单位 Y 或者 S,其中 Y 代表人民币,S 代表美元,这里规定 1 美元可以兑换 7 人民币。 Pi 样例 1：123Y 代表 123 元人民币 pi 样例 2：123S 代表 123
华为OD机试题 Q2 押题【最大收益，股票收益问题】用 C++ 编码，速通
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。假设橡皮擦可以在任何一天买入或者卖出胶票，也可以选择放弃交易，请计其在交易周期。对应样例，在第 1 天买入，第 3 天卖出，第 4 天买入，第 5 天卖出。备注：股票价格只会用 Y 人民币或 S 美元进行输入，不考虑其他情况。假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益。输入一个包含交易周期内各天股票价格的字符串，以空格分隔。代表美元，这里规定 1 美元可以兑换 7 人民币。天内你能获得的最大收益，
【华为OD机试】最大股票收益(C++ Python Java)2023 B卷
假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益。 输入一个大小为 n 的数 price(p1,p2,p3,p4…….pn),pi 是第i天的股票价格。 pi 的格式为股票价格(非负整型)加上货币单位 Y 或者 S,
【华为OD机试真题 JS语言】202、最大股票收益 | 机试真题+思路参考+代码分析
>假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益 > 输入一个大小为n的数price(p1，p2，p3...p4...pn)，pi是第i天的股票价格 > pi的格式为股票价格(非负整型)加上货币单位Y或者S，其中Y代表人民币，S代表美元，这里规定1元可以兑换7人民币 > Pi样例1: 123Y 代表123元人民币 Pi样例2：123S 代表123元，可兑换861人民币 > 假设你可以在任何一天买入或者卖出股票，也可以选择放弃交易，请计算其在
【华为OD机试真题 Python语言】202、最大股票收益 | 机试真题+思路参考+代码分析（本题100%）
假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益 > 输入一个大小为n的数price(p1，p2，p3...p4...pn)，pi是第i天的股票价格 > pi的格式为股票价格(非负整型)加上货币单位Y或者S，其中Y代表人民币，S代表美元，这里规定1元可以兑换7人民币 > Pi样例1: 123Y 代表123元人民币 Pi样例2：123S 代表123元，可兑换861人民币 > 假设你可以在任何一天买入或者卖出股票，也可以选择放弃交易，请计算其在交
【华为OD机试真题】202、最大股票收益 | 机试真题+思路参考+代码分析（C++、Java、Py、C语言、JS）
题目描述 >假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益 > 输入一个大小为n的数price(p1，p2，p3...p4...pn)，pi是第i天的股票价格 > pi的格式为股票价格(非负整型)加上货币单位Y或者S，其中Y代表人民币，S代表美元，这里规定1元可以兑换7人民币 > Pi样例1: 123Y 代表123元人民币 Pi样例2：123S 代表123元，可兑换861人民币 > 假设你可以在任何一天买入或者卖出股票，也可以选择放弃交易，
【华为机试真题 Python实现】股票最大收益
文章目录题目描述示例 1参考代码 题目描述 假设知道某段连续时间内股票价格，计算通过买入卖出可获得的最大收益。 输入一个大小为 n 的数 price(p1,p2,p3,p4…….pn),pi 是第天的股票价格。 pi 的格式为股票价格(非负整型)加上货币单位 Y 或者 S,其中 Y 代表人民币,S 代表美元,这里规定 1 美元可以兑换 7 人民币。 Pi 样例 1： 123Y 代表 123 元人民币 pi 样例 2： 123S 代表 123 元美元,可兑换 861 人民币 假设你可以在任何一天买入或者卖出
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。
EduCoder 计算机网络实验 IP协议分析
第1关：跟踪抓包 任务描述 相关知识 IPV4数据包 截获数据报 分析截获结果 使用git将本地文件推送到远程仓库永久保存 操作要求 任务描述 本关任务：使用 Ping 命令发送数据报，用 Wireshark 截获数据报，分析 IP 数据报的格式，理解 IPV4 地址的编址方法，加深对 IP 协议的理解。 相关知识 为了完成本关任务，你需要掌握： 截获数据报； 简单分析数据包格式。 IPV4数据包 网际协议第 4 版（Internet Protocol version 4
ESP32开发环境避坑指南：用Thonny烧录MicroPython固件时常见的5个错误及解决方法
本文针对ESP32开发新手，详细解析了使用Thonny IDE烧录MicroPython固件时最常见的5个错误及其解决方案。内容涵盖驱动安装、端口识别、固件烧录失败、版本兼容性、连接不稳定以及文件系统操作异常等核心痛点，并提供硬件层面的深度排查指南，帮助开发者高效搭建稳定的ESP32开发环境。
Sentence-BERT 语义相似度双塔模型
论文介绍 发表：2019，EMNLP 论文题目：《Sentence-BERT：sentence embeddings using siaese BERT-networks》 论文地址:https://arxiv.org/abs/1908.10084 Github:https://github.com/UKPLab/sentence-transformers 适用领域： 句向量生成 语义相似度计算 语义搜索 无监督任务（聚类） 1 概述 在20年之前的各种预训练模型中，比如bert，XLNet，Alb
STM32L051低功耗模式下LPUART的使用
STM32L0系列低功耗UART配置代码清单及注释，大家可参考学习使用。
基于Pascal VOC数据集的YOLOv8目标检测系统实现：人、鸟、猫、牛、电视、车等20类目标识别与UI界面部署全流程详解
VOC 2007、VOC 2012 两个主要版本；每个图像提供 bounding box（目标框）+ 目标类别；共计 20 类，所有图像手工标注，质量高。完整复现 Pascal VOC 20类检测任务成功训练 YOLOv8 模型实现可视化 UI + 实时检测系统支持多平台部署和演示。
2026年数字IC设计禾赛科技笔试带答案解析
本文介绍了一份数字IC设计工程师笔试的试卷结构和部分题目解析。试卷包含15道单选题（30分）、10道填空题（20分）和5道简答/编程题（50分），总分100分，考试时长120分钟。单选题涉及同步时序电路、Verilog语法、跨时钟域设计、FPGA优化、存储器层次、功耗优化等知识点；填空题考查环形振荡器、工艺参数、时序约束、LUT结构等基础概念。试题重点考察应聘者对数字电路设计核心概念的理解和实际工程应用能力，特别是针对激光雷达芯片设计中的关键技术点进行考核。
【Bug已解决】codex file edit fails / Write operation denied — CodeX CLI 文件编辑失败解决方案
CodeX CLI 编辑文件时报写入被拒绝，本质是沙箱限制或权限不足。文中给出配置允许目录、修复权限、Git stash 管理冲突等完整方案。
【HALCON工业视觉应用探索】02. C# + Halcon铸件毛刺机器人打磨引导：点云处理从实验室到工业现场的全流程落地
摘要：铸件毛刺的自动化打磨是机械制造领域的重要难题，其随机性（高度0.1-3mm）和复杂工况导致人工打磨效率低（3分钟/件）、工伤率高。本文基于Halcon 24.11与.NET 6，构建了一套点云处理方案：通过线激光扫描仪获取三维点云，经预处理、毛刺检测、路径规划三大模块，引导机器人完成打磨。虚拟实验测试显示，对高度＞1mm的毛刺检出率达100%，定位误差±0.08mm，但工业现场受油污、粉尘影响，性能降至检出率68-75%、处理时间＞45秒。
Probability and Statistics - 4th edition
Probability and Statistics - 4th edition
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
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
1216
扫一扫
