一位女生2005高考的零分作文

local-life-agent 本地生活智能体架构设计文档 决策选择理由单体 or 微服务单体业务规模小、模块内聚,部署简单;后续可按 Service 边界拆分提示词放代码 or 放库规则在代码、模板在库高频调整的规则随版本管理;低频沉淀的知识可运营、可查询配额扣减方式数据库条件 UPDATE无需分布式锁即保证并发原子性平台改写时机同步 3 次调用一次请求全量返回,体验简单;如成本敏感可改异步/按需向量库ChromaDB(可选)轻量、本地部署友好;后续可平滑切换 Milvus 等。 阅读详情
阅读下面的文字,根据要求作文。(60分)
  
    诗人对宇宙人生,须入乎其内,又须出乎其外。入乎其内,故能写之。出乎其外,故能观之。入乎其内,故有生气。出乎其外,故有高致。
  
    以上是王国维《人间词话》中的一则文字,论述了诗人观察和表现宇宙人生的态度和方法。其实,这则文字所含的思想,对我们为文、处事、做人以及观赏自然、认识社会,都有启发。
  
    请根据你对这则文字的感悟,自定立意、自选文体、自拟标题,写一篇不少于800字的文章。
  
    出得厅堂入得厨房之王国维可以休矣
  
    (2005高考作文湖北0分卷)
  
    王国维在他的《人间词话》里说:“诗人对宇宙人生,须入乎其内,又须出乎其外。入乎其内,故能写之。出乎其外,故能观之。入乎其内,故有生气。出 乎其外,故有高致。”他的意思,不外乎做人做事要灵活跳脱,不能死板,在一棵树上吊死;看待一个事物,它是否完美,也要从内到外考察,内涵好,从外在看起 来又高雅精致,那就没的顶了。但在我看来,从现实的社会意义上说,不如理解为人的身份,人的能耐,不能拘泥于某个地方,要灵活变通,才能在社会上左右逢 源,获得成功。
  
    我是一个女生,但也知道,这样的道理不劳他郑重地写到书里,生活已经教育了我们。说实话,我还没决定是否真的上大学,就算这篇作文给我低分,我也 不会太在意。读了大学又如何呢?!许多人大学毕业等于失业,奔波劳顿找工作,低声下气还被人骂。前段时间,不说有人本科才200块,博士1400块吗?今 天我在街头过早,香喷喷的热干面真是好吃,但你猜怎么啦,早餐档口的档主是我的邻居阿鹃,一个读了本科的大学生。
  
    灵活变通才是成功之道,尤其作为一个女性。棉棉、卫慧等宣称她们是美女作家:入乎其内,故能写之之作家;出乎其外,故能观之之美女。张维迎之流, 出能出得到大学讲堂,入又能入得了资本家的盛宴,按现在的做人标准,那是人中龙凤哪。去两年有个关于女大学生卖淫的调查报告引起满城风雨,不就是取材于武 汉的吗?白天是一本正经的女大学生,夜晚却是一次百金的妓女,你说,做个女大学生我又有多么稀罕!做人做事不能表里如一,不能内在外在的尽善尽美,不如别 做的好。我妈妈教我做武汉鸭脖子,就反复叮咛务必要入味,而且外在的颜色也要求高,不能让人误以为是某类排泄物。
  
    社会的竞争无比激烈,给人弱肉强食的丛林感觉。何况,这骨子里还是个男权社会,性别上的就业歧视并不少见,我是不是也要象美女作家那样,说“气得 下面都湿了”呢?我们湖北人外号叫九头鸟,如果不学到眼观六路,耳听八方的能耐,又怎么能够挣得一餐饱饭呢?我们湖北古时候叫楚国,有句话是“楚王好细 腰,宫中多饿死”,说明我们多么爱美,但为什么我们湖北女人现在性格急躁,动不动就骂骂咧咧呢,我想,和现在的社会状况一定有关。男女平等的口号喊了几十 年,搞什么男女同工同酬,以致一个个变得男不男女不女,粗壮结实,不爱红装爱武装。许多变态男人居然欣赏穿制服的女军人,女警察,女干部,流着哈喇子说她 们英姿飒爽,这不是男人造的孽吗?
  
    居里夫人说过:“男人能做到的,女人也能做到。”不过她漏了下句:“女人能做到的,男人未必能做到。”我们要决定自己的道路。查泰莱夫人曾经说 过:“男人征服世界,女人征服男人。”我们就是要做出得厅堂,入得厨房的女人,回到几十年以前的老路。而我心目中的夫君,不要求什么出将入相——那只怕忽 然短命或祸事来临——只要出有宝马奔驰靓车,入有别墅豪宅,就心满意足了。而这一切,要靠我们辛勤的梳妆打扮,呵护肌肤,象水一般晶莹剔透,修习礼仪,进 而仪态万方,风情万种。这,才是钓到金龟婿的唯一途径。这些学问,大学课堂里能教给我们吗?成功之路与其说是自己选择,毋宁说是男权社会所逼,他们居然要 求我们:在家是主妇,在外是贵妇,床上是荡妇。我,我又气得。。。。。。
  
    王国维讲的是诗人要怎样怎样,他不知道,诗人、诗歌在这个社会中早就不吃香了。海子听说过吧,什么面朝大海,春暖花开,我就不明白,依着视觉描绘 次序,面朝着大海,又如何能看到春暖花开呢,莫非是海市蜃楼?这诗人做的,逻辑不讲究,脑子不清楚,神经搭错线,不自杀,或杀妻,又有什么更好的下场呢? 这样的男人,一副穷酸落魄模样,又有哪家的妙龄女子看的上?!而他王国维,据说是前清的遗老,“皇上啊,皇上,你去哪啦!”眼见大厦轰然倾倒,丧失了精神 家园,虽然衣食无忧,却仍然如丧家之犬,一头钻进故纸堆里,寻死觅活要寻找治国良方。他哪里知道,新时代已然来临,发了霉的三坟五典里面,哪里找的出来新 药方,适应新文明的新思想呢?!就是那平等思想,也是舶来品。圣经中,上帝说:“子民们,你们都是兄弟姐妹!”好象要有光,就有光一样,以人为本的平等思 想问世了。我们也有古话:“天子犯法,与庶民同罪!”不过我们却不是为了人的平等,而是为了保律的权威不受到破坏,不给子民们犯法后逃脱惩罚以借口。
  
    王国维绝望了,自杀了,“在一棵树上吊死”了,这是必然的。他观察和表现宇宙人生的态度和方法,和他从论诗反映出的人生态度天差地别,可叹可笑 啊!王国维对一些雕虫小技如诗歌的欣赏癖好,仿佛一个冒着铜臭的权贵富翁,把玩着一个上古的鼻烟壶,或前朝宫廷贵人使用过的一樽精致夜壶。生活早已给了我 们更多更深的感悟,他却在《人间词话》中絮叨,我看,这《人间词话》可以扔到垃圾桶了。王国维可以休矣。
  
    最后说一句:老师,你就看着给个分数吧,只要你出则对得起天地间的浩然正气,入则经受得了良心深处的拷问,你随便给。不然也无可奈何,就算我在任何一条街上咒骂,也不能损你一根毫毛。
ISP算法:自动白平衡(AWB) 1. 为什么要做白平衡? 人类视觉系统具有颜色恒常性特点,一次人类对物体观察不受光源影响。但是Sensor在不同光线下,物体呈现的颜色不同,在晴朗天空下会偏蓝,在烛光下会偏红。如图: 2.什么是自动白平衡? 为了消除光源对于图像传感器成像的影响,模拟人类视觉系统的颜色恒常性。保证在任何场景下看到的白色是真正的白色。 3. 如何做自动白平衡? 只要乘以一个对角矩阵,便可以进行白平衡... 阅读详情

相关推荐

VMFS数据存储(datastore)丢失后恢复步骤

vmfs datastore恢复步骤

jetliu05的博客 3267

一位女生2005高考的零分作文[转载]

阅读下面的文字,根据要求作文。(60分)        诗人对宇宙人生,须入乎其内,又须出乎其外。入乎其内,故能写之。出乎其外,故能观之。入乎其内,故有生气。出乎其外,故有高致。        以上是王国维《人间词话》中的一则文字,论述了诗人观察和表现宇宙人生的态度和方法。其实,这则文字所含的思想,对我们为文、处事、做人以及观赏自然、认识社会,都有启发。        请根据你对这则文字的感悟,自

分享互联网 1103

【LTspice】005 伯德图绘制

目录 1 伯德图介绍 2 LTspice 截止频率验证 3 LTspice中如何添加光标 4 LTspice中如何将 幅频 和 相频曲线分开 1 伯德图介绍 Bode图由对数幅频特性和对数相频特性两张图组成。伯德图_百度百科 (1)对数幅频特性曲线 对数幅频特性是频率特性的对数值L(ω)=20lgA (ω)(dB)与频率ω的关系曲线;对数幅频特性的纵轴采用线性分度,为幅值的分贝数,即 L(ω)=20lgA(ω),A(ω)每增加10倍,L(ω)增加20dB;横坐标采用对数分度,即横轴上的ω取

m0_59642765的博客 1万+

一位来自湖北女生的2005高考零分作文(zz)

一位来自湖北女生的2005高考零分作文 诗人对宇宙人生,须入乎其内,又须出乎其外。入乎其内,故能写之。出乎其外,故能观之。入乎其内,故有生气。出乎其外,故有高致。   以上是王国维《人间词话》中的一则文字,论述了诗人观察和表现宇宙人生的态度和方法。其实,这则文字所含的思想,对我们为文、处事、做人以及观赏自然、认识社会,都有启发。   请根据你对这则文字的感悟,自定立意、自选文体、自拟标题...

weixin_30657541的博客 131

使用python排八字 计算八字的相合相冲五行分值等 ...

简介 八字术是一种古老的算命术。它运用阴阳、五行、干支、八卦等理论,把人的出生年月日时转化为八个字,进而推算人的富贵贫贱、祸福吉凶、穷通寿天、名利地位、家庭六亲等方面的情况 八字源自古代的中国,是一种利用天干和地支来准确记录年、月、日、时的方式,由“年干,年支”、“月干,月支”、“日干,日支”、“时干,时支”,共八个干支所组成(共八个字),年、月、日、时...

weixin_33717298的博客 5310

MoveIt2项目想换掉KDL求解器?试试这个trac_ik插件(附源码编译避坑指南)

本文详细介绍了如何在MoveIt2项目中用trac_ik插件替代KDL求解器,提升机械臂运动学求解的效率和成功率。内容涵盖环境准备、源码编译避坑、项目集成及性能调优,特别适合需要高精度控制的协作机械臂应用场景。通过实测数据对比,trac_ik在求解时间和奇异点处理上显著优于传统KDL求解器。

weixin_30730053的博客 694

一位高考女生的2005高考零分作文

阅读下面的文字,根据要求作文。(60分)    诗人对宇宙人生,须入乎其内,又须出乎其外。入乎其内,故能写之。出乎其外,故能观之。入乎其内,故有生气。出乎其外,故有高致。    以上是王国维《人间词话》中的一则文字,论述了诗人观察和表现宇宙人生的态度和方法。其实,这则文字所含的思想,对我们为文、处事、做人以及观赏自然、认识社会-,都有启发。    请根据你对这则文字的感悟,自定立意、自选文体、自拟

as good as well 360

峰值电流模式CCM BUCK的传递函数推导

电流内环闭环传递函数: Gci(s)=i^L(s)v^comp(s)=FmGid(s)1+KRiHe(s)FmGid(s)=1Ri11+s[mcL+(0.5VIN−Vo)RiVINRifSW]+s21(πfSW)2 G_{ci}(s)=\frac{\hat i_{L}(s)}{\hat v_{comp}(s)}=\frac {F_mG_{id}(s)}{1+KR_iH_e(s)F_mG_{id}(s)}=\frac{1}{R_i}\frac{1}{1+s[\frac{m_cL+(0.5V_{IN}-V_o)

c007106333的博客 2356

谈湖南才女的高考0分作文(ZT)

湖南一女子考生的0分作文,刚在别人的博客上看到了这个,实在愤慨,但是问题又是很现实的,愤青般的愤怒无用,直接说说自己的看法吧。   先说0分的判定。即使天气再热,阅卷教师就算快中暑了,看到如此一篇的文章,相信阅卷老师不敢独自一个人给出0分。按照惯例,不管是0分还是满分的作文,都是经过阅卷群商量后才能给出的。这篇作文最后的结果是0分,那么就必定是阅卷组商定后的结果。为什么会出现这种情况呢?首先是阅卷

LuckArcher : 爬行地日子... 2036

FPGA实现串口的任意字节数接收

基于FPGA的任意字节数(单字节、多字节)的串口(UART)接收,真的不来看看吗?

孤独的单刀 1万+

uniapp - 解决 uni.chooseImage 在苹果 IOS 真机上点击没反应的问题,苹果手机点击 uni.chooseImage方法不生效,也不报任何错误(解决苹果ios系统点击无效问题)

uniapp小程序h5网页苹果ios系统点击uni.chooseImage不执行点击无效,uniapp使用uni.chooseImage方法点击没反应怎么办,uniappuni.chooseImage在ios苹果手机运行点击不触发,uniappuni.chooseImage苹果ios系统点击无效,uniapp项目ios端云打包之后uni.chooseImage不生效了,uniapp打包之后uni.chooseImage()无法打开相机,uniapp苹果手机无法打开相机和相册,uniapp网页h5微信支

🏆 前端领域优质创作者 1万+

本地生活服务系统:试单和正式开业的单为什么会进同一本账

本地生活服务系统应将试营业与正式运营的订单统一记入同一账本,通过“试单标记”区分,而非分设两本账。单号连续、信息唯一,避免重复或遗漏。正式账单仅提取“非试单且已付款”的记录,确保财务核算准确。过程查询则可查所有单据,便于客服追溯。关键在写入时即标注试单状态,开业日调整取出条件,不修改历史标记,保障数据可审计、可复原。

2509_93184100的博客 101

LangGraph教程8:LangGraph流式处理

流式处理可显著提升基于LLM应用的响应性。LangGraph支持两种流式模式:values模式返回每一步的完整结果,适合需要完整上下文处理的场景;updates模式仅返回增量变化,适用于实时更新需求。示例代码展示了如何用create_react_agent实现这两种模式,其中values模式完整记录处理流程,updates模式逐步输出结果。通过异步迭代输出流,开发者可以灵活选择适合应用场景的流式处理方式。

Cachel Wood的博客 620

从零开始的C++生活——第八讲——01

这个和之前学的二叉树的层序遍历区别在于,这个要求将二叉树每一层的数据分别插入最后返回的数组中,这就需要进行一个思考,之前常规思路实现层序遍历时是队列出一个进来他的孩子,但是这种方式必然会造成不同层元素之间的混淆,我采用的方法是再用一个队列,专门用来存储本层元素,当每次出原队列元素时都需要在新队列中记录一份,此外,还需要一个变量计算此时原数列中本层元素个数,其实就是当前的元素个数,因为是一层一层进去的。相信在写完这三道题后,你一定对栈和队列的基本使用有了了解,下一节就是栈和队列的模拟实现。

dshswra的博客 179

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

第38章:ResNet+CBAM改进模型实战生活垃圾12分类

本文基于PyTorch实现ResNet+CBAM注意力模型,针对复杂场景下垃圾分类图像的遮挡、光照变化等问题,通过在ResNet各残差层后嵌入CBAM模块,实现通道与空间双重注意力增强,提升特征聚焦能力。项目包含数据预处理、迁移学习冻结策略、余弦退火优化、批量推理等全流程代码,支持12类垃圾识别,4600+图像数据集,开箱即用,完整记录训练日志与评估指标,显著提升模型在真实环境下的分类精度与鲁棒性。

Henry的博客 348

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")

从零开始的C++生活——第八讲——02

当你想要获取第i个元素的时候,你需要拿到两个下标,一个是中控数组的下标,你需要知道它存放在哪个数组中,另一个是当前数组的下标,ptr[x][y]即是该元素,x的计算其实是用i/N,其中N是每个数组的大小,每个数组大小必须都是N,不然你计算会混乱。y的计算则是i%N。针对vector,它解决了扩容频繁以及空间浪费的问题,你一个数组存不下了,紧接着扩下一个数组就好,不会一下扩很多,而且vector在扩容时是需要大规模的拷贝数据的,deque也解决了这个问题,至于第二个缺点我一会再说。

dshswra的博客 223

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

从零开始的C++生活——第七讲——02

关于迭代器,由于你要进行操作符重载,所以我选择封装一个迭代器类,从底层的角度思考,你拿到任意一个类型的迭代器一般都是要访问迭代器所指向的空间的成员,所以我们其实应该拿到迭代器所指向节点的值,因此这也是一个模板类,而且,我们要对迭代器的解引用操作符和->操作符进行重载,重载即是分别拿到对应的值以及对应值的地址,除此之外,在遍历过程中我们需要对迭代器进行比较,因此需要重载==!增加的模板参数一个传T的引用,一个传T的地址,而const类型的迭代器则是传const T&和const T*。

dshswra的博客 93

生活服务小程序开发案例:按行业接单、虚拟拨号与原服务人员复购

一次生活服务完成后,用户再次产生需求时,可能希望由熟悉情况的服务人员继续提供服务。平台需要处理的,不只是“再次下单”,还包括原服务人员是否愿意接单、拒绝后订单如何继续流转,以及服务完成后的评价和收益结算。围绕某公司的生活服务业务需求,海拔网络开展了一套微信小程序的定制开发,将服务预约、人员认证、行业接单、虚拟拨号、用户确认开始服务、评价和复购连接起来。本项目同时考虑首次预约与再次预约。普通订单进入接单大厅,由对应行业的服务人员承接;

haibawangluo的博客 199

豆包工作接入抖音生活服务经营等官方插件,AI从给建议到深入经营

商户完成相应账户授权后,无需在多个后台之间切换,通过自然语言对话即可查询数据、对比经营表现,并获得复盘报告与投放调整建议,部分场景还可由豆包工作直接创建广告、调整投放,不用再拿着建议回到后台逐项操作。此次三款插件的接入,让 AI 不再只停留在给建议,而是能跟着商家走完看数据、做复盘、调投放的完整经营流程。在门店经营环节,通过抖音生活服务经营插件授权登录后,通过读取成交、曝光等经营数据,豆包工作可以辅助商家按门店和时间周期进行同口径对比,并可生成含图表的复盘报告和行动建议。抖音生活服务经营插件页面。

大力财经 180

设计模式与生活⑬:你坐几号线,谁来运营是另一回事

一到周五,小王的心情就会好一点。倒不是工作少了,而是想到这一天忙完,后面接着双休,心里就有盼头。地铁上,他抬头看标识,发现一件平时没留意的事:5 号线、10 号线常见的是“北京地铁”,4 号线却写着“京港地铁”。再想想,北京的机场也各有各的名字:首都机场、大兴机场。可在成都坐地铁,日常看到的统一称谓就是“成都地铁”。都是出行,名称和背后的主体并不完全一样。对乘客来说,常做的事还是那几样:查线路、进站、上车、到站下车。坐几号线是一条信息,谁来运营是另一条信息,不必揉成一团。同样是在北京坐地铁,线路和运营方并不

工一木子 231

设计模式与生活⑭:一栋楼,共用一份热

今天是立冬。天气预报说夜里有暴雪,白天最高也就 4 度。早上起来,屋里比外面强不了多少。窗玻璃上蒙着一层水汽,摸一把暖气片,凉的。物业群里发了通知:今天开始试供暖,暖气片会慢慢热起来,顶层记得排气,边户留意自家热不热。隔了会儿再摸,暖气片上热下凉,温温的,不烫手。再晚一点,整间屋子总算有了点热乎气。一天里最踏实的一件事,是知道这栋楼里不只自己一户在等热。热力站烧的是一锅水,顺着管网送到每家,各家只管拧自己那个阀门。试供暖第一天,暖气片温而不烫今天聊的。

工一木子 353

2000-2020-全球500米分辨率-三生用地(生产-生活-生态)空间分布数据

该数据集为2000–2020年全球500m分辨率生产-生活-生态空间分布图,基于GlobeLand30与NASA人口密度数据融合生成,经Google Earth验证,精度达83.94%以上(卡帕系数≥0.81)。数据涵盖农业生产、工业生产、城市/农村生活及森林、草地、水域等七类生态空间,以GeoTIFF格式存储,支持ArcGIS、ENVI等工具读取,填补了全球三生空间数据库空白,助力可持续发展目标评估。

hu397313168的博客 164

消费返物业费小程序本地生活商家联盟社区商城本地同城多商户商城app源码

基于UniApp+ThinkPHP搭建的消费返物业费系统,支持社区、物业、商家、管家多方协同。业主消费可返抵物业费,提升满意度;物业增收增效,实现精细化管理。流程透明,模式可持续,构建智慧社区生态闭环。

qq_35738963的博客 50

从零开始的C++生活——第七讲——01

因为前边说过,list的迭代器是双向迭代器,不支持+-,而sort底层是快排,不论是挖坑法还是前后指针法还是霍尔,都是需要在两边区间找大找小的,少不了+-,所以list自己实现了一个。对于list的迭代器,它并不支持+-运算,因为内存空间不连续,所以你加减其实是没有意义的,但是它支持++--,虽然从语义理解这也是没有意义的,但显然是通过运算符重载使得自增自减达到我们想要的效果。然后remove其实就是删除,和erase不同的是,remove是删除值,erase则是删除对应位置。

dshswra的博客 230

纯血鸿蒙个人生活工具三件套实测:混合计算、睡眠记录与本地证件照

日常手机里总要装一堆小工具:算个账、看个睡眠、存张证件照。之前手机里装了好几个 App 凑合用,纯血鸿蒙出来后一直在找原生的替代方案。纯血鸿蒙原生开发、数据完全本地存储、不联网不收集隐私。用下来感觉刚好覆盖生活里最常见的三个小场景。

redtank2000的博客 395

从零开始的C++生活——第九讲

我们知道,底层并没有头文件这个概念,预处理阶段头文件会展开,展开后你在头文件中进行的模板声明就会在主函数中被调用,程序此时并不报错,它认为你调用参数没问题,声明没问题,就是缺少了函数地址,后续补上即可,但是在后续链接阶段,由于你并没有将模板实例化,因此找不到地址,会导致报错。其实并不是,有两种情况还是需要手动实现仿函数的,第一:假如当前的类类型不支持比较大小,就需要实现仿函数进行比较,第二:比较的结果不尽如人意,比如你本来想比较指针所指向的空间,但默认比较的则是指针,这时候就需要仿函数进行比较。

dshswra的博客 168
上一篇: 毕业设计(五)
下一篇: 毕业设计(六)
linqingfeng
博客等级 码龄21年 69粉丝 140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