method printf pyramid and get one human himself live day

这段代码计算从1980年到指定年份之间的闰年数量,并根据用户输入的生日和当前日期,计算出两个日期之间的总天数。程序使用了嵌套循环和条件判断来处理闰年和不同月份的天数。

#include <stdio.h>
int main()
{
int i, j, k, p;
for (i = 5; i > 0; i–)
{
for (k = i; k < 5; k++)
{
printf(" ");
}
for (j = i; j > 0; j–)
{
printf("x ");
}
for (p = i; p > 1; p–)
{
printf(“x “);
}
printf(”\n\n\n”);
}
return 0;
}
在这里插入图片描述

#include <stdio.h>
void main()
{
int yeardaynum = 0;
int yearnumber1 = 0, yearnumber2 = 0;
int yearsum = 0;
int year1;
printf(“year1 is you input number about birth year:”);
scanf_s("%d", &year1);
int year2;
printf(“year2 is you input number about now year2”);
scanf_s("%d", &year2);
for (year1 = 1980; year1 < 2030; year1++)
{
if ((year1 + 1) % 4 == 0 && (year1 + 1) % 4 != 100 && (year1 + 1) % 4 == 400)
yearsum += 1;
}
yeardaynum = (year2 - year1 + 1) * 365 + yearsum * 366;

int day1, day2;
int month1, month2;
int yeardaynum1=0;
printf("month1 aboout birth is:");
scanf_s("%d", &month1);
printf("month2 about now is:");
scanf_s("%d", &month2);
printf("day1 is birth day:");
scanf_s("%d", &day1);
printf("day2 is today:");
scanf_s("%d", &day2);
if (year1 % 4 == 0 && year1 != 0 && year1 % 400 == 0)
	yearnumber1 == 1;
else
	yearnumber1 == 0;
int a[12] = { 31,28,31,30,31,30,31,31,30,31,30,31 };
int b[12] = { 31,29,31,30,31,30,31,31,30,31,30,31 };
int gu1, gu2;
for (gu1 = 0; gu1 < month1; gu1++)
{
	if (yearnumber1 == 1)
		yeardaynum1 -= b[gu1];
	else if (yearnumber1 == 0)
		yeardaynum1 -= a[gu1];
}
if (year1 % 4 == 0 && year1 != 0 && year1 % 400 == 0)
	yearnumber2 == 1;
else
	yearnumber2 == 0;

for (gu2 = 0; gu2 < month2; gu2++)
{
	if (yearnumber2 == 1)
		yeardaynum1 += b[gu2];
	else if (yearnumber2 == 0)
		yeardaynum1 += a[gu2];
}
yeardaynum1 += day2;
yeardaynum1 -= day1;
printf("%d", yeardaynum+yeardaynum1);
return 0;

}

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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