Ubuntu下表白程序

为Ubuntu换颗“心” 编译替换Ubuntu的Linux Kernel。 阅读详情



源文件名为love.c


运行效果图如下




源代码如下:


l

#include <stdio.h>
#include<unistd.h>
#include <math.h>
#include <stdlib.h>
#define U 0.1
#define V 0.063
#define M 1.1
#define N 1.2
int main(viod)
{
printf("\033[2J");
float x,y;
float m,n;
for(y=1.3;y>=-1.3;y-=U)
{
for(x=-1.2;x<=1.4;x+=V)
{
if((((x*x+y*y-1)*(x*x+y*y-1)*(x*x+y*y-1)-x*x*y*y*y)<=0))
printf("\e[31m\e[1m%s\e[0m","*");
else
    printf(" ");
  fflush(stdout); 
   usleep(1000*5);
}
printf("\n");
}

return 0;
}


Python创意编程实战:用turtle与tkinter打造动态交互式表白程序 在编程学习中,图形用户界面(GUI)和可视化是连接逻辑与创意的重要桥梁。通过事件驱动编程原理,开发者能够构建响应用户操作的交互式应用,这不仅是软件工程的基础,也是提升代码表现力的关键技术。其技术价值在于将抽象算法转化为直观体验,极大拓展了编程的应用边界,尤其在教育、艺术和轻量级工具开发中作用显著。本文聚焦Python生态,深入解析如何利用标准库turtle和tkinter,结合热词“动态绘图”与“交互设计”,实现一个从GUI窗口到动态绘图的完整表白程序。从环境搭建、代码分模块组织,到坐标控制、事件绑定与子进 阅读详情

相关推荐

ubuntu jdk1.7 环境配置脚本

麻烦扫码添加微信公众号:Android技术与情感分享,关注本博客动态,提升访客技术与情感。多谢大家的支持。 export JAVA_HOME=/opt/andorid_tools/jdk1.7/jvm/java-7-openjdk-amd64 export PATH=$JAVA_HOME/bin:$PATH export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOM...

qq_20395637的博客 298

I love Ubuntu

我是一个Linux爱好者,使用和学习Linux多年,Ubuntu的出现标志Linux迎来了发展的新时代,坚信Linux--Ubuntu将成为信息时代的主宰,愿Ubuntu给我们带来更多的惊喜,相信自由将会战胜一切,让我们大家共同努力迎接Linux--Ubuntu的春天的到来。 ...

cifei0152的博客 139

程序员向妹子表白专用代码

程序员向妹子表白专用代码,浪漫而富有新意,成功率大大的~。

shell写一个爱心代码

好的,这是一个在终端中输出爱心的代码: #!/bin/bash echo " _ _ _ _ _ _ _ " echo " / \ / \ / \ / \ / \ / \ / \ " echo " ( L | O | V | E ) ( Y | O | U )" echo " \_/ \_/ \_/ \_/ \_/ \_/ \_...

weixin_35756624的博客 1650

表白小程序,有源代码,不会写代码的也可以直接改

压缩文件里面有两个文件夹,第一个是已经生成好的表白小程序,点里面的exe文件就可以运行,不会编程的人可以也可以改窗口中的文字和图片,改文字的直接改里面的text文档中相应的文字,要替换图片的,直接把要替换的图片拖进来,文件名要改成一样的,然后删掉原来的图片,大神忽略,纯属娱乐

c语言表白程序

c语言表白程序

C语言编写的爱心代码

C语言编写的爱心代码

tzxwoaini的博客 15万+

18款表白网页源代码(表白)

18款表白网页源代码(表白),集合了经典款和合并3连款,直接可以发布到网站,来进行表白!!

<C语言>如何使用C语言代码打印“心形”图案?

作者:wsg 时间;2017年8月14日 //版本一:单个字符的心形图案 #include int main(void) { float a,x,y; for(y=1.5f; y>-1.5f; y-=0.1f) { for(x=-1.5f; x<1.5f; x+=0.05f) { a = x*x+y*y-1; //这里的@符号即为打印出的心形图案符号,可更

WSG的博客--盛年不重来,一日难再晨.及时当勉励,岁月不待人. 11万+

手把手教你用NetToPLCsim搭建西门子S7-1200仿真环境(附避坑指南)

本文详细指导如何利用NetToPLCsim与PLCSIM搭建西门子S7-1200仿真环境,实现无硬件条件下的PLC程序测试与上位机通信开发。内容涵盖软件选型、环境部署、关键参数配置及通信测试,并重点提供了连接失败、数据读写错误等常见问题的深度避坑指南,帮助工程师高效构建可靠的虚拟调试工作流。

a3b4c5的博客 614

Ubuntu22.04实战:基于VLLM高效部署Qwen3系列模型并构建Dify智能体

本文详细介绍了在Ubuntu22.04系统上使用VLLM高效部署Qwen3系列模型并集成Dify平台的实战指南。从环境配置、Conda管理到VLLM优化部署,再到Dify智能体构建,提供了全面的技术方案和性能调优建议,帮助开发者快速实现AI模型的高效部署与应用。

weixin_28323057的博客 161

搭建个表白程序

虽然我是个数学专业的,但是把,云服务器,免费送,搭个web环境,放个纪念日web应用,撩撩妹子,他不香嘛?? 果断下单付款,登上控制台,嗯,美滋滋!!香喷喷!!! 40g,够用! [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Y1rQsQLS-1584760240045)(https://uploadfiles.nowcoder.com/images/2020032...

qq_41945534的博客 293

content-pipeline:一条可落地的内容生产流水线

content-pipeline 是一种将内容创作工程化的系统性方法,其核心在于用确定性流程替代碎片化人工操作。它基于结构化提示(prompt)、预置叙事框架与品牌参数固化三大原理,实现从素材输入到多平台发布的端到端自动化。技术价值体现在显著降低认知负荷、保障输出一致性、支持本地化资源绑定与闭环反馈校验。典型应用场景包括技术教程批量生成、跨平台(公众号/小红书/即刻)内容适配、AI写作质量可控迭代等。本文深入解析其作为‘内容制造业’基础设施的底层设计逻辑与实操路径,尤其聚焦Claude Code环境下的真实

weixin_31199559的博客 269

Python表白代码实战:用tkinter打造浪漫交互程序

图形用户界面(GUI)编程是连接用户与计算机程序的重要桥梁,其核心原理是通过事件驱动模型响应用户操作,实现直观的人机交互。在Python生态中,tkinter作为标准库提供了轻量且易上手的GUI开发能力,技术价值在于能快速构建跨平台桌面应用,降低图形化编程门槛。常见的应用场景包括开发小型工具、教学演示和趣味程序。本文聚焦于利用tkinter的按钮、标签和事件绑定等组件,结合随机数生成与坐标控制,实现一个“会逃跑的拒绝按钮”的创意交互,并融入背景音乐播放和图片显示等热词功能,为Python初学者提供将基础语法

weixin_34417183的博客 402

AES-GCM加密认证模式:原理、优势与实战应用

在数据安全领域,加密与认证是保障信息机密性和完整性的两大基石。加密确保数据内容不被窃取,而认证则验证数据来源的真实性和传输过程中是否被篡改。传统的加密后认证方案如AES-CBC+HMAC需要串行处理,性能开销较大。GCM(伽罗瓦/计数器模式)作为一种认证加密(AEAD)方案,巧妙地将AES-CTR加密与基于伽罗瓦域的GHASH认证并行结合,实现了单次数据遍历即可同时完成加密和认证,大幅提升了处理效率。其核心价值在于高性能、支持附加认证数据(AAD)以及标准化程度高,广泛应用于TLS协议、无线网络安全和云存储

weixin_28622215的博客 313

Ubuntu关闭更新提醒的三层控制方法:从GUI到APT配置

Linux系统更新机制本质上是包管理器(APT)驱动的自动化运维流程,其核心原理在于分离‘元数据刷新’、‘安全补丁安装’和‘用户通知’三个职能。这种分层设计既保障了基础安全性,又为系统管理员提供了策略定制空间。技术价值体现在提升生产环境稳定性、规避未经验证的内核/驱动升级风险,并支持ROS、Blender渲染、工业控制等对时序敏感的应用场景。本文聚焦Ubuntu系统入门教程中高频需求——科学关闭软件更新提醒,覆盖Ubuntu 20.04及LTS版本的GUI设置、systemd服务禁用与APT配置修改三大实操

weixin_29698641的博客 394

(愚人节表白精选)如何快速开发一个心仪女孩的网站,并且用简单的字数表达爱意!不用备案,小白速成!

流量加密,进入cloudfare,https://www.cloudflare.com/,注册好后进行添加域。写你的域名选免费的然后添加记录添加什么呢?很简单,你的阿里云域名解析那里添加了什么,这里就添加什么,比如类似这样ok最后只需要填写一下html的代码就行了地址:https://oss.console.aliyun.com/overview1.把你要用的音频或者视频资源传入bucket,但是需要先创建,默认创建就行了创建好后再上传你的音频。

wq2571931803的博客 1511

python如何给声音增加回声效果

创建任何声音对象的回声效果。使用sndarray和numpy来创建原始声音的偏移和衰减副本。目前它只是使用硬编码的值来设置回声的数量和延迟。你可以根据自己的需要轻松地重新创建。这段注释说明了make_echo函数的用途和实现方式,即通过pygame的sndarray模块和numpy库来处理声音数据,生成具有回声效果的声音。函数中使用了固定的回声数量和延迟时间,但这些值可以根据用户的需求进行调整。

zhangzhechun的专栏 977

三步让你学会搭建一个表白网站

今天终于成功把网站放到了服务器上(服务器也没花钱,免费淘的阿里云半年的云服务器ESC),所以再懒也要记录一下。 想搭建这么一个网站,前提的前提是你要有一个服务器。 在这里我给大家推荐一个如何选择购买服务器的详细视频(需要注册阿里云账号): 阿里云视频讲解:视频讲解 为什么我还要写下面,因为我在这个过程中还经历了很多很多其他的坑,记录下来以便自己后期查看。 一、安装网页运行环境(镜像) 为什么我已...

qq_45433195的博客 1971

自适应控制 (Adaptive Control) 算法详解及案例分析

自适应控制是一种能够在线调整控制器参数以适应系统动态变化的控制方法。其核心思想是通过实时估计系统参数或调整控制器参数,使系统在不确定性或动态变化的环境中仍能保持稳定性和性能。

闲人编程的博客 4085

多组学联合高级Mantel-test热图

对应的是「metabo」中物质间的相关性热图,单元格色块颜色表示相关系数大小,橙色表示+相关,绿色表示-相关;单元格内的数值表示相关性值大小,星号表示显著性。双组学(微生物组/ 转录组/代谢组等两两组合)关联分析,可视化组学特征间的关联显著性、强度及相关方向。表示<trans>与<metabo>中物质的Mantel test结果。表示整体相关的系数,连线颜色表示相关系数的显著性检验结果。宿主-微生物互作、疾病多组学机制、环境-生物多组学关联。为物质名称,不允许存在空值、重复值。

多组・学・多组学 365

让您爱上Ubuntu的14条有趣命令

写在前面: Ubuntu真好玩!哈哈哈哈 玩了一下午这些花(bing)里(bu)胡(shi)哨(yong)的Linux命令,终于写成了这一篇博客。 14条有趣命令,让您爱上Ubuntu!不要问为什么是14条,因为14代表一世,这篇博客的第14条命令是一个小彩蛋。哈哈哈哈哈哈

麦芽雪冷萃 7558

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

用python画爱心及代码演示

程序员在爱情方式上表达上展现的多种多样,其中现在大火的用编程去编写个表白内容,最受欢迎了,今天小编也尝试了下,一起来看看吧~ 准备工具:python3 画爱心实施步骤: 打开编译器,写上code,代码如下: from turtle import * pensize(1) pencolor('red') fillcolor('pink') speed(5) up() goto(-30,100) down() begin_fill() left(90) circle(120,180)

m0_51713294的博客 2万+

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

【python表白神器】手把手教你用代码浪漫追求对象!(附完整源码+讲解(1)

对于从来没有接触过网络安全的同学,我们帮你准备了详细的。可以说是,大家跟着这个大的方向学习准没问题。

2401_84970035的博客 897

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

撩妹秘诀——stable matching

部分转载自微信公众号:程序猿阿泽 Warning!Warning!Warning! 前方高能反应,非战斗人员注意规避。 问题描述 假设现在有N个男生和N个女生单身,然后最开始的时候男、女生按照下面情况对彼此进行排序选择对象: 每个男生都对女生按照最喜欢到最不喜欢的顺序来选择对象;同样的,女生也是按照最喜欢的到最不喜欢对男生的顺序来选择对象。 例如说: 假设全世界只有 4个男的:a,b,c,d 4个...

qq_36323837的博客 541

创意Python爱心代码分享:用数学公式绘制浪漫祝福

在Python编程世界中,用代码绘制图形是展示逻辑与美学结合的有趣方式。本文将分享一段通过数学公式生成的爱心图案代码,搭配随机彩色点缀和个性化祝福语,可用于表白、纪念日或婚礼祝福场景。代码基于Ubuntu系统编写,适合Python初学者学习。十六进制表示的颜色代码(如#FF69B4对应粉色),取值范围00-FF(0-255)。通过角度参数t计算坐标的数学表达式,相比笛卡尔坐标系更适合绘制复杂曲线。通过控制"画笔"移动绘制图形的编程范式,适合可视化教学。(实际运行会显示动态绘制过程和最终静态图案)

dhhdane的博客 778
上一篇: Ubuntu下纯代码编写简易贪吃蛇游戏(第二次做)
下一篇: Ubuntu下用shell脚本实现俄罗斯方块游戏
hacker_num1
博客等级 码龄9年 11粉丝 7原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值