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
100+累计阅读
193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
不知道最近有没有急着准备面试的朋友？
因为小编前几天才拿到阿里的offer，兴奋之余，也把我面试前背的算法题拿出来分享给大家，有整整110道左右的高频算法题，⽽且在不断更新，全部基于 LeetCode 的题⽬，涵盖了所有题型和技巧。整整666页，我已整理成 PDF ，希望能帮助道各位朋友，也祝各位朋友offer连连！
好了，我们话不多说，很多人等着这份资料呢，看内容
100道高频面试题
本文内容总共分为五大块：开篇、动态规划系列、数据结构系列、算法思维系列、高频面试系列
由于全部内容有600多页，所以内容展示到这哦，
从零构建个性化AI助手：基于Mem0与本地大模型的记忆化实践
本文详细介绍了如何利用Mem0与本地大模型构建个性化AI助手，实现记忆化应用结构的实践方法。从开发环境搭建、记忆存储机制到个性化交互实现，提供了完整的解决方案和代码示例，帮助开发者在本地环境中创建能记住用户习惯和偏好的智能助手。
Github 疯传！史上最强！BAT 大佬「LeetCode刷题手册」电子书开放下载了！
优质资料
使用DCA1000和EVM板进行数据采集
目录 1. 准备工作 1.1 硬件 1.2 软件 2. 驱动安装 3. 设置静态IP地址 4. 采集数据 5. 采集的数据文件的格式 6. 数据采集存储的数据流 参考资料 1. 准备工作 1.1 硬件 EVM板，电源线（5V，>2.5A），USB线 DCA1000，电源线（5V，>2A），USB线，网线，60pin Samtec cable 1.2 软件 mmWave Studio Matlab Runtime Engine v8.5.1 将DCA1000和EVM板
Github 疯传！史上最强！BAT 大佬
细致地阅读后，我感觉发现了宝藏！赶紧发给了这个读者。前天，他回我了，说：“二哥，你太强了，这刷题笔记好使啊。我按照上面提供的方法认真地刷了一个月的时间，惊奇地发现算法能力提高了，刷 LeetCode 上中等难度的题目基本不会被卡住了！听他这么一说，我就有信心了，赶紧给 优快云 上的小伙伴们分享一波。（文末附 Github 开源下载地址）这本笔记的作者在 LeetCode 刷了几百道题，并且将题目分门别类地整理好了。
用WorkBuddy和ima搭建本地知识库：从概念到实操
在AI应用普及的今天，私有知识的高效管理与调用成为痛点。RAG（检索增强生成）技术通过将外部知识库与语言模型耦合，为精准问答提供了技术底座。然而，传统RAG方案往往涉及向量数据库、文本切分等复杂环节。一种更轻量的路径应运而生：借助WorkBuddy与ima的组合，将知识收集、语义检索与智能体工作流整合，让本地知识库真正服务于日常办公和研发场景。从概念到实操，系统解析这套轻量级方案的核心逻辑与配置方法，并对比重方案适用边界，帮助读者快速搭建属于自己的AI知识助手。
Nvidia Orin Driveos Camera 介绍及调试详解
自动驾驶-nvidia orin driveos Camera 驱动详解及调试
leetcode python刷题_火爆Github！这份LeetCode刷题模板太实用了吧
许多开发者在面试之前，都会上 LeetCode刷题，慢慢地，Github上关于算法的项目也就越来越多了，比如之前猿妹和大家分享过的vscode-leetcode、Python、Algorithm Visualizer等：《程序员跳槽刷题必备神器！不用打开浏览器，就能刷LeetCode》https://github.com/jdneo/vscode-leetcode《这个开源项目有意思，用动画教你学...
LLM制造业最佳实践：基于大语言模型处理最优化问题，制造业如何更优排产，提升资源利用率
随着制造业数字化转型加速，生产排产优化成为提升企业效率和竞争力的关键环节。大语言模型（LLM）凭借其强大的多模态数据处理、动态优化和智能推理能力，在复杂排产场景中展现出独特优势。谷歌、DeepSeek等机构的研究表明，LLM可通过自然语言交互和生成式决策，突破传统优化算法的局限性。本报告结合半导体行业实践案例与技术路径，系统分析LLM在排产优化中的应用潜力与挑战。
国人项目，上Github全球热榜了！！ 来瞅瞅，你会发现相见恨晚
这份刷题攻略，你真的会发现 相见恨晚
33、AI赋能5G/6G通信：LDPC码解码与强化学习技术解析
本文探讨了基于AI和强化学习的LDPC码技术在5G/6G通信中的应用。包括LAMS解码器、神经MS解码器、盲识别方法、统一极性-LDPC解码器、NNMS和SNNMS解码器、N-2D-NMS解码器、神经分层MS解码器、MAB-NS方案以及强化学习与MCTS结合的技术。这些技术在提升解码性能、降低计算复杂度和增强系统适应性方面表现出色，为未来通信系统的发展提供了强有力的支持。
微信小程序 - 详细解决map地图上使用自定义图标图片或自定义样式进行markers标记点，手机真机运行时安卓系统、苹果ios系统会出现不显示标记点的问题（大概率安卓正常显示标记点，但苹果就加载失败）
微信小程序，map，地图组件，安卓android，苹果ios，真机调试，marker，标记点，在地图上标记，突然就不显示白屏了没动代码，自定义标记点icon，label动态数字，小程序地图markers标记点显示不出来，微信小程序map组件，地图加载后marker标记点ios设备不显示，android正常显示，添加多个标记点。安卓能正常显示标记点图标，IOS设备不显示标记点图标，map地图白屏不显示标记，图标真机调试不显示，自定义图标，报错，页面白屏，不报错也不显示，无法加载，图片展示不出来，iconPat
GitHub：算法模板，最科学的刷题方式，最快速的刷题路径，你值得拥有~
算法模板，最科学的刷题方式，最快速的刷题路径，一个月从入门到 offer，你值得拥有~ 算法模板顾名思义就是刷题的套路模板，掌握了刷题模板之后，刷题也变得好玩起来了~ 此项目是自己找工作时，从 0 开始刷 LeetCode 的心得记录，通过各种刷题文章、专栏、视频等总结了一套自己的刷题模板，仅供参考。 心得体会 文章大部分是对题目的思路介绍，和一些问题的解析，有了思路还是需要自己手动写写的，所以每篇文章最后都有对应的练习题 刷完这些练习题，基本对数据结构和算法有自己的认识体会，基本大部分面试题都能写得
基于YOLOv8深度学习的火焰与烟雾检测系统详解：UI界面 + YOLOv8 + 数据集的实现
通过自动化检测火焰和烟雾，可以提高响应速度，减少潜在的火灾损失，保障人身和财产安全。此外，应用还会显示标记了检测框的视频画面，方便用户直观了解检测效果。同时，前端界面将使用Streamlit来实现，因其可以快速搭建交互式应用，适合我们的需求。要训练一个有效的火焰和烟雾检测模型，我们需要一个包含火焰和烟雾图片的数据集。为了保证模型的准确性和泛化能力，建议收集至少500张火焰和烟雾的图片，保证数据的多样性和代表性。训练过程中，模型会输出每个Epoch的训练损失和验证准确率，便于我们监控模型的学习情况。
java刷题网站_火爆Github！这份LeetCode刷题模板太实用了吧
许多开发者在面试之前，都会上 LeetCode刷题，慢慢地，Github上关于算法的项目也就越来越多了，比如之前猿妹和大家分享过的vscode-leetcode、Python、Algorithm Visualizer等：《程序员跳槽刷题必备神器！不用打开浏览器，就能刷LeetCode》https://github.com/jdneo/vscode-leetcode《这个开源项目有意思，用动画教你...
android 蓝牙通讯demo
android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
leetcode vscode_火爆Github！这份LeetCode刷题模板太实用了吧
开源最前线(ID：OpenSourceTop) 猿妹综合整理项目地址：https://github.com/greyireland/algorithm-pattern许多开发者在面试之前，都会上 LeetCode刷题，慢慢地，Github上关于算法的项目也就越来越多了，比如之前猿妹和大家分享过的vscode-leetcode、Python、Algorithm Visualizer等：《程序员跳槽刷...
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")
开源项目 globocom/opensource 指南
开源项目 globocom/opensource 指南 目录结构及介绍 本教程基于GitHub上的 globocom/opensource 项目（请注意，实际项目URL可能需要替换为有效的仓库地址，因为提供的URL并非真实的示例）。以下是一个典型的开放源代码项目目录结构概述，假设基于通用的最佳实践和一般理解，因为没有提供具体的项目细节。 globocom开放式源码/ ├── README.md ...
技术圈热议：国内 GitHub 项目再次被爆 “刷 Star” 造假！
有全球最大同性交友社区之称的 GitHub，近日又站在了舆论的风口浪尖。 众所周知，在 GitHub 的每个项目仓库中，有一个对外展示的 Star 数。 当用户想要收藏以便于持续关注某个项目的时候，就会按下 Star 点亮星标，同时也表示了对这个项目的支持和认可。 当一个项目每日增加的 Star 数达到一定量时，还能登上 GitHub Trending 榜单。 对于项目作者来说，Star 数或许不能代表自己的真实能力，但是可以代表自己在技术社区的影响力。 绿成一片的 GitHub 可能是你在技术方面的热情
github新手开源服务器项目,火爆Github的开源项目，已经有独立网站上线了！！值得一看...
大家好，我是Carl。代码随想录网站终于上线了！之前如果在电脑端看「代码随想录」刷题攻略，只能在Github上看：https://github.com/youngyangyang04/leetcode-master手机端大家可以在公众号的左下角「刷题攻略」上查看。但不少录友反馈看不了Github，国内访问Github也确实不稳定而在手机上对于大家看文章写代码确实有点不方便。本着更好为录友们服务的想...
全网疯传！Github上最受欢迎的7个编程面试项目
开源最前线（ID：OpenSourceTop） 猿妹整编综合自：https://medium.com/better-programming/7-github-repositories-to...
红警代码在GitHub竟然开源了，很强！
点击上方“码农突围”，马上关注这里是码农充电第一站，回复“666”，获取一份专属大礼包真爱，请设置“星标”或点个“在看开源最前线（ID：OpenSourceTop）整编上周，EA 官...
牛批牛批！GitHub开源仿抖音国际版，火爆全网！
点击上方“码农突围”，马上关注这里是码农充电第一站，回复“666”，获取一份专属大礼包 真爱，请设置“星标”或点个“在看” 抖音快手带货最近是如火如荼，要是能做一款抖音App，臆想一下，...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
464
扫一扫
