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。
给定一个二叉树，每个节点上站着一个人，节点数字表示父节点到该节点传递悄悄话需要花费的时间。
开始时，根据节点所在位置的人有一个悄悄话想要传给其他人，求二叉树所有节点上的人都接收到悄悄话花费的时间。
09 20 -1 -1 15 7 -1 -1 -1 -1 3 2
注：-1表示空节点
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。
华为OD机试 - 幻方修复（Python/JS/C/C++ 2025 B卷 200分）
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。幻方（Magic Square）是一个由 1~N²，共 N² 个整数构成的 N*N 矩阵，满足每行、列和对角线上的数字和相等。上回你已经帮助小明将写错一个数字的幻方进行了修复，小明在感激之余也想进一步试试你的水平，于是他准备了有两个数字发生了位置
华为OD机试 - 荒岛求生 - 栈Stack（Python/JS/C/C++ 新系统 100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 - 开源项目热度榜单（Python/JS/C/C++ 2025 C卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 计算误码率（Python/JS/C/C++ 双机位C卷 100分）
移动通信 网络中的误码率主要是指比特误码率，其计算公式如下：比特误码率 = 错误比特数 / 传输总比特数，为了简单，我们引入字符串来表示误码通信的信息，一个字符错误了，就认为出现了一个误码。我们需要将这两个压缩字符串解压成实际的字符序列，然后逐位比较它们，统计误码（不同字符）的数量。题目给出两个经过压缩编码的字符串，通过解压缩后需要判断两个字符串在解压后的误码率，即对应位置不同的字符数量占总字符数量的比例。输入一个标准的字符串，和一个传输前的字符串，计算误码率。两个解压后的字符串完全相同，没有错误字符。
华为OD机试 - 绘图机器 - 双指针（Python/JS/C/C++ 新系统 100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 - 最快到达医院的方法（Python/JS/C/C++ 2024 E卷 100分）
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、发现新题目，随时更新，全天优快云在线答疑。
华为OD机试 - 德州扑克 - 逻辑分析（Python/JS/C/C++ 2025 C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，发现新题目，随时更新。
华为OD机试 - TLV格式（Python/JS/C/C++ 2025 C卷 100分）
两端通过TLV格式的报文来通信，现在收到对端的一个TLV格式的消息包，要求生成匹配后的(tag,length,valueOffset)列表。和需要匹配的n个tag对应的n行匹配结果，每一行由长度和偏移量组成。第二行：需要匹配的tag数量n(0 < n < 1000)后面N行：需要匹配n个tag值(十进制表示)，递增排列。标签10（0A）存在，长度3，valueOffset=2。标签15（0F）长度4，valueOffset=2。标签14（0E）长度2，valueOffset=8。
华为OD机试 - 找出作弊的人（Python/JS/C/C++ 2024 E卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
华为OD机试 - 转骰子（Python/JS/C/C++ 2024 E卷 100分）
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、发现新题目，随时更新，全天优快云在线答疑。
华为OD机试 - 推荐多样性（Python/JS/C/C++ 双机位A卷 100分）
华为OD机试 2024E卷题库疯狂收录中，刷题。
Shell数学计算（算术运算，加减乘除运算）
声明： 本篇博客的学习途径主要为以下网站和课堂讲解，发博客目的仅为学习使用,在该博客的基础上做了一定程序的简略和修改。 参考博客 : 原文链接：http://c.biancheng.net/shell/ Shell数学计算Shell数学计算数学计算命令对整数进行数学运算: (()) / let / $[] /exprShell (())Shell let命令bc命令：一款数学计算器在 Shell 中使用 bc 计算器 Shell数学计算 默认情况下，Shell 不会直接进行算术运算，而是把+两边的数据（数
STM32F4串口接收ATGM336H GPS数据，手把手教你解析NMEA协议并转换经纬度格式
本文详细介绍了如何使用STM32F4开发板通过串口接收ATGM336H GPS模块的NMEA协议数据，并解析GNRMC语句获取经纬度信息。内容涵盖硬件连接、NMEA协议深度解析、数据校验实现以及经纬度格式转换的数学原理与代码实现，为嵌入式开发者提供完整的GPS数据处理解决方案。
5分钟搞定！用Keil MDK将STM32F103C8T6工程无缝迁移到ZET6开发板
本文详细介绍了如何在Keil MDK环境下快速将STM32F103C8T6工程迁移到ZET6开发板，涵盖硬件差异对比、工程配置调整、外设适配及编译排错等关键步骤，帮助开发者5分钟内完成工程移植，大幅提升开发效率。
脑影像分析软件推荐 | JuSpace
JuSpace是一种允许基于 MRI 测量与核成像衍生估计的跨模态关联的工具包，它涵盖各种神经递质系统，包括多巴胺能、血清素能、去甲肾上腺素能和 GABA（γ-氨基丁酸） 神经传递。JuSpace 由一组 Matlab 功能以及涵盖各种受体系统的 PET 受体图谱组成。
基于STM32控制直流电机加减速正反转仿真设计
*单片机设计介绍，基于STM32控制直流电机加减速正反转仿真设计。
arXiv订阅进阶玩法：除了邮件，还能用RSS和Python脚本打造你的专属论文追踪器
本文介绍了arXiv订阅的进阶玩法，教你如何通过RSS和Python脚本打造个性化的论文追踪器。突破传统邮件订阅的局限，实现实时更新、精准过滤和自动化管理，提升科研效率。特别适合需要高效追踪最新研究进展的学者和开发者。
工业视觉降本300%实战：C# + 开源YOLO如何干掉Halcon/VisionPro？
在当前制造业普遍追求“降本增效”的大背景下，工业视觉检测系统作为产线的眼睛，其成本问题日益突出。通过该方案，我们成功帮助一家电子厂将单条产线的视觉检测成本从15万降低至不足5千（主要为工控机硬件成本），降本幅度超过95%，且系统稳定性经受住了6个月连续生产的考验。：C#负责“工程化”和“业务逻辑”，YOLO负责“智能算法”，二者结合，完美覆盖了工业视觉从算法到落地的全链路。的组合，构建一套高性能、低成本、易维护的工业视觉解决方案，并彻底替代昂贵的付费库。” 这是一个典型的误区。工业相机/USB相机。
Win11 系统下 VisualStudio2022 配置点云库 PCL1.11.1
安装完成之后打开文件夹E:\PCL 1.11.1\3rdParty\OpenNI2双击 并选择路径 （E:\PCL 1.11.1\3rdParty\OpenNI2） 安装即可全部安装完成之后，将pcl-1.11.1-pdb-msvc2019-win64.zip解压后的 .pdb文件拷贝到（E:\PCL 1.11.1\bin）中设置环境变量：到此，环境变量配置完成。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
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
3315
扫一扫
