2.05——栈

RK3588 Linux平台下移远EM05模块AT指令实战与网络配置 本文详细介绍了在RK3588 Linux平台上使用移远EM05模块的AT指令实战与网络配置。从硬件连接、模块初始化到网络注册、APN配置,逐步指导如何实现4G上网和TCP/IP通信,并分享了错误处理、稳定性优化及实际项目中的注意事项,帮助开发者快速掌握RK3588平台的4G模块应用。 阅读详情

2.05——栈

1. 栈的定义

栈(stack)是限定仅在表尾进行插入和删除操作的线性表。

我们把允许插入和删除的一端成为栈顶(top),另一端为栈底(bottom),不喊任何数据元素的栈成为空栈。栈又成为后进先出(Last In First Out)的线性表,简称LIFO结构。

首先它是一个线性表,也就是,栈元素具有线性关系,即前驱后继关系。只不过它是一种特殊的线性表而已。定义中硕士在线性表的表尾进行插入和删除操作,这里表尾是指栈顶,而不是栈底。它的特殊之处就在于限制了这个线性表的插入和删除位置,它时钟只在栈顶进行。这也就使得:栈底是固定的,最先进栈的只能在栈底。

2. 栈的顺序存储结构

既然是线性表的特例,那么栈的顺序存储其实也是线性表顺序存储的简化,我们简称为顺序栈。线性表是用数组来实现的,下标为0的一端作为栈底比较好,因为首元素都存在栈底,变化最小,所以让它作栈底。我们定义一个top变量来指示栈顶元素在数组中的位置,若存储栈的长度为stacksize,则栈顶位置top必须小于stacksize。当栈存在一个元素时,top等于0,因此通常把空栈的判定条件定为top等于-1。

3. 顺序栈的插入操作

对于栈的插入,即进栈操作,如图:

[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-gE5GDAvO-1590541577775)(http://p3glgyim1.bkt.clouddn.com//img/clip1517989199.png)]

代码如下

int Push(Stack *s, DataType e)
{
	if (s->top >= SIZE - 1)
	{
		return FAILURE;
	}

	s->data[++(s->top)] = e;

	return SUCCESS;
}

4. 顺序栈的出栈操作

出栈操作Pop,代码如下:

int Pop(Stack *s, DataType *e)
{
	if(s->top > -1)
	{
		*e = s->data[s->top];
		s->top--;
		return	SUCCESS;
	}

	return FAILURE;
}

5. 栈的链式存储结构

栈的链式存储结构,简称链栈。把栈顶放在单链表的头部,通常也不需要头结点。

[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-q0jDYG4a-1590541577777)(http://p3glgyim1.bkt.clouddn.com//img/clip1517987544.png)]

链栈的结构代码如下:

typedef struct node
{
	DataType data;
	struct node *next;
}Node;

typedef struct stack
{
	Node *top;
	int length;
}Stack;

6. 链栈的进栈操作

对于链栈的进栈Push操作,假设元素值为e的新结点是s,top为栈顶指针,示意图如图:

[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-BfZjXerE-1590541577778)(http://p3glgyim1.bkt.clouddn.com//img/clip1517988055.png)]

代码如下:

int Push(Stack *s, DataType e)
{
	if (NULL == s)
	{
		return FAILURE;
	}

	Node *p = (Node *)malloc(sizeof(Node));
	p->data = e;
	p->next = s->top;
	s->top = p;
	s->length++;

	return SUCCESS;
}

7. 链栈的出栈操作

出栈Pop操作,假设变量p用来存储要删除的栈顶结点,就栈顶指针下移以为,最后释放p即可。

[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-BZXQaBEO-1590541577779)(http://p3glgyim1.bkt.clouddn.com//img/clip1517988208.png)]

代码如下:

int Pop(Stack *s, DataType *e)
{
	if(s->top == NULL)
	{
		return FAILURE;
	}

	*e = s->top->data;
	Node *p = s->top;
	s->top = s->top->next;
	s->length--;
	free(p);

	return SUCCESS;
}

8. 递归的定义

在高级语言中,调用自己和其他函数并没有本质的不同。我们把一个直接调用自己或通过一系列的调用语句间接调用自己的函数,称作递归函数。每个递归定义必须至少有一个条件,满足时递归不在进行,即不在引用自身而是返回值退出。

9. 栈的作用

栈的引入简化了程序设计的问题,划分了不同关注层次,使得是靠范围缩小,更加聚焦于我们要解决的问题核心。繁殖,想数组等,因为要分散精力去考虑数组的下标增减等细节问题,反而掩盖了问题的本质。

10. 两栈共享空间

数组有两个端点,两个栈有两个栈底,让一个栈底为数组的始端,即下标为0,另一个栈为栈的末端,即下标为数组长度n-1处。这样,两个栈如果增加元素,就是两端点向中间延伸。这样的数据结构通常都是当两个栈的空间需求有相反关系时,也就是一个栈增长时另一个栈在缩短的情况。

E钻加密软件 E钻加密 能够加密文件,很好的保护自己的隐私,绿色软件无需安装 立即下载

相关推荐

快速下载助手

快速下载助手,多线程下载文件,加快下载速度

钻石级的英语口语

1.After you. 你先请 2.Don’t take it to heart. 别往心里去,别因此而费神 3.We’d better be off。我们该走了 4.Let’s face it。面对现实把(当你不愿意躲避困难时,就用它吧) 5.Let’s get started。咱们开始干吧 6.I’m really dead。我真的要累死了(有的时候当你的课业负担太重的时候,可以对...

weixin_30561177的博客 119

万方创新助手V6.0免费绿色版

万方创新助手(简称:STADS)是一款由中国科学技术信息研究所与北京万方数据股份有限公司、北京万方软件有限公司联袂推出,是面向政府、科研院所、高校、企业等科研管理部门,进行科技信息挖掘、分析,进行科技创新能力评估的工具。利用该工具,用户只需输入关注内容、轻点鼠标,即可轻松了解所关注主题的研究状况、学科领域专家与研究机构、科研项目课题成果与进展、科研机构科研能力统计与分析,并获得相关分析报告,为科技

服装DOCAD度卡系统8.5版本(DOCAD)

服装CAD软件,服装设计软件,摄像输入软件,       毛衫设计软件,毛衫工艺软件,鞋样设计与开样软件,       绣花软件/印花分色软件..等等 ========================================================== 同时还支持货到付款购买:全国已开通快递送货代收货款服务 直接把详细地址,电话,姓名发来就行 ***软件天天更新,有需

cadworx2016的博客 9880

精灵助手

一个功能十分强大,类似于Office 2000的帮助精灵助手,无需MSAgent支持,并提供网上读取、保存并显示新闻文件的功能。 未来工作室(Future Studio)

zemax显微镜设计

光学显微镜(Optical Microscope,简写OM)是利用光学原理,把人眼所不能分辨的微小物体放大成像,以供人们提取微细结构信息的。我这里是插入进来之后才反转,如果之前已经在目镜的单独文件夹反转过了就不用了。将目镜的焦距设定为25mm,通过缩放,然后将镜头调转过来。镜头数据中的曲率半径、物距像距都设置为变量。将镜头的焦距整体变为16.25mm。将孔径类型设置为按照光阑尺寸浮动。打开物镜的文件,选择插入镜头。由英国物理学家虎克制作。2、像空间孔径0.25。3、像面大小-0.9。

fendoudecheng的博客 8546

05 2个栈实现队列

题目描述 用两个栈来实现一个队列,完成队列的Push和Pop操作。 队列中的元素为int类型。 思路:栈:先进后出,队列,先进先出 2个栈,一个用来push,当pop时候,把stack1中的数据先pop到stack2,再由stack2来pop import java.util.Stack; public class Solution { Stack<Integer> stack...

lyzz的博客 185

从C-EPS到DP-EPS:手把手图解不同EPS类型怎么选,对你的车操控感影响有多大?

方向盘转动时那股细腻的阻尼感,高速过弯时令人安心的沉稳,或是狭窄车位里一根手指就能拨动的轻盈——这些看似微妙的差异,其实都源自转向系统电机那几厘米的安装位置变化。当我们谈论驾驶乐趣时,发动机参数和悬架调校总是占据C位,但真正连接驾驶者与车辆的神经末梢,恰恰是那套默默工作的电动助力转向系统(EPS)。不同EPS类型带来的操控特性差异,可能比马力数字更能定义一辆车的性格。

weixin_30920513的博客 531

struts2_day05值栈拿取list和对象中的数据

上一篇博客主要讲述了前端从值栈中拿取单个数据的方式,而往往我们拿取的可能是以对象或者列表的方式进行拿取数据的。那么我们如何操作哪 从值栈中拿取对象中的数据 后端action的写法 public class ognlObject extends ActionSupport{ private User user =new User();//必须要这样初始化 不然会报空指针异常 //写get方法 ...

sofency'Blog 190

避开这5个坑!STC8H DMA串口通信的实战避坑指南(115200波特率实测)

本文深入解析了STC8H单片机利用DMA实现稳定全双工串口通信的实战要点。针对115200高波特率场景,详细拆解了DMA-UART架构、关键寄存器配置、时钟精度计算、缓冲区管理及中断协同等核心环节,并提供了具体的避坑指南和调试方法,帮助开发者构建高效可靠的通信链路。

melon的博客 675

手把手教你用C#和LibUsbDotNet实现USB设备通信(含完整代码示例)

本文详细介绍了如何使用C#和LibUsbDotNet库实现USB设备通信,包括设备识别、连接建立、同步/异步数据读写等核心操作。通过完整的代码示例,开发者可以快速掌握USB通信的关键技术,适用于工业自动化、医疗设备等多种场景。重点讲解了数据读写优化和错误处理技巧,帮助提升通信效率和可靠性。

a3b4c5的博客 705

<2> C++栈和队列的基本实现 2021-05-26

20. 有效的括号 给定一个只包括 '(',')','{','}','[',']' 的字符串 s ,判断字符串是否有效。 有效字符串需满足: 左括号必须用相同类型的右括号闭合。 左括号必须以正确的顺序闭合。 示例 1: 输入:s = "()" 输出:true 示例 2: 输入:s = "()[]{}" 输出:true 示例 3: 输入:s = "(]" 输出:false 示例 4: 输入:s = "([)]" 输出:false 示例 5: 输入:s = "{[]}" 输出:true 示例 6:.

lybc2019的博客 351

抖音风控参数逆向实战:从bd-ticket-guard-client-data到x-tt-session-dtrait的完整攻防解析

本文深入解析抖音风控参数逆向实战,重点剖析bd-ticket-guard-client-data和x-tt-session-dtrait的生成机制与破解方法。通过抓包调试、ECDH密钥生成、RSA与AES双层加密等技术手段,揭示抖音风控系统的核心逻辑,并提供实用的对抗策略与维护建议,助力开发者突破抖音风控限制。

weixin_30335575的博客 677

[python全栈]05.网络编程(2)

1. 网络收发缓冲区 2. TCP粘包 3. UDP服务端编程 4. UDP客户端编程 5. TCP与UDP编程区别 6. 套接字对象 7. UDP应用之广播 8. TCP应用之HTTP服务

编程笔记 323

STM32F407 HAL库定时器触发ADC采集与DMA数据传输(定时器TIM+ADC+DMA)

在STM32F407系列微控制器的开发中,结合定时器、ADC(模数转换器)与DMA(直接存储器访问)控制器,能够显著提升数据采集与传输的效率。本文将指导你如何使用STM32 HAL库,通过定时器触发ADC1的单通道采集,利用DMA传输数据,最终通过串口将电压值打印出来。具体实现中,我们将读取ADC1的通道5(对应引脚PA5),并将转换得到的电压值发送到串口助手上进行显示。

jmlinux的博客 7012

Python无法拒绝的表白界面(完整代码)

Python制作一个无法拒绝的表白界面的完整代码。

AIGC 5万+

struts2_day03_05_值栈内部结构(一)_06_值栈内部结构(二)_07_向值栈放数据三种方式

值栈内部结构 1 值栈分为两部分: 第一部分 root,结构是list集合 (1)一般操作都是root里面数据   第二部分 context,结构map集合   2 struts2里面标签 s:debug,使用这个标签可以查看值栈结构和存储值 (1)访问action,执行action的方法有返回值,配置返回值到jsp页面中,在jsp页面中使用这个标签 点击

huanglianggu的专栏 273

基于Harness Engineering构建AI Agent的全自动化CI_CD流水线

AI Agent的CI/CD是指对Agent的全生命周期资产(代码、Prompt、RAG知识库、模型权重、工具配置)进行持续集成、持续测试、持续发布和持续观测的自动化流程,核心目标是在保障发布质量的前提下,最大化提升Agent的迭代效率。

AI云原生与云计算技术学院 625

python全栈笔记-前端2.05_伪类选择器

伪类选择器

weixin_37267713的博客 165

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

春节刷题day18:[LeetCode:剑指Offer 09、58、65、30,面试题 05.06]

春节刷题day17:LeetCode 面试题 05.06. 整数转换 剑指 Offer 09. 用两个栈实现队列 1、面试题 05.06. 整数转换 class Solution { public: int convertInteger(int A, int B) { int ans = 0; unsigned int temp = A ^ B; while(temp){ if(temp & 1) ans++;

shangzhengyu的博客 187

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。

C语言实现数据结构之栈

介绍了栈的概念和结构,然后用C语言实现栈,并完成了一个OJ题:有效的括号

0xFFFFFFFF 1034

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")

数据结构07--链栈超详解

链栈作为一种灵活且高效的数据结构,充分利用了指针的特性,使得栈的操作能够在动态内存中进行,避免了固定大小数组的局限性。通过实现基本操作如入栈、出栈和栈顶元素访问,我们不仅巩固了对链表和栈的理解,也为在更复杂的数据结构和算法中的应用奠定了基础。

weixin_69902486的博客 2002

nomic-embed-text-v2-moe开源部署:全栈可复现(Dockerfile+Ollama Modelfile+Gradio脚本)

本文介绍了如何在星图GPU平台上自动化部署nomic-embed-text-v2-moe镜像,实现多语言文本嵌入和相似度计算。该方案通过Docker和Ollama提供完整的容器化部署流程,支持约100种语言的文本处理,可广泛应用于文档检索、语义搜索和推荐系统等场景。

weixin_36231030的博客 16

nomic-embed-text-v2-moe开源镜像优势:全栈国产化适配(麒麟OS+飞腾CPU)

本文介绍了如何在星图GPU平台上一键自动化部署nomic-embed-text-v2-moe开源镜像,该镜像针对麒麟OS和飞腾CPU进行了深度国产化适配。通过该平台,用户可以快速搭建多语言文本嵌入服务,典型应用包括构建智能问答系统,实现跨语言的精准语义匹配和内容检索。

weixin_42599908的博客 162

513页《CTF全栈指南》火了,有点东西!_ctf全栈指南 pdf

你们都参加过 CTF(Capture The Flag)比赛吗?CTF 比赛是网络安全领域的一项引人瞩目的活动,吸引着无数热爱挑战和技术的玩家们投身其中。今天又找到一份超级干货《CTF全栈指南》,一共513页,是一位大佬整理的,图文并茂,非常详细,真有点东西!

wholeliubei的博客 531
上一篇: 2.3——链表
下一篇: 2.07——队列
Superain丶
博客等级 码龄11年 9粉丝 24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