百度之星——2012年12月30号竞赛题目一

ISCC2012信息安全对抗竞赛题目分析 此文为简单分析绿盟&北理工安全对抗技术竞赛ISCC2012年线上赛,算是个笔记记录整理一下取key的过程。 此文公开时线上赛已结束。题目包含以下关卡: 基础关 各种类型的最简单的题目,最简单的得分点,考察各个方面的基础知识 脚本关 脚本注入、欺骗和跨站 破解关 一个编译好的程序,我怎么知道它是怎么工作的? 溢出关 软件漏洞的分析、利用及发掘技术,探索二进制代码背后的秘密 内核关 考察内 阅读详情

2012年12月30号竞赛题目一

主办方:百度公司

时间:2012-12-30 20:00 至 2012-12-30 23:59

 


 

 

 

维基解密


Time Limit: 1 Seconds   Memory Limit: 65536K


 

 

在最近一期的维基解密中,公布了一串神秘的数字,这引起了很多的猜想。

但是只有百小度知道其中的含义——因为这些神秘的数字就是他留下的记录!

 

其实你有所不知,现在每天忙碌于百度大厦实习的百小度,在学校读书期间有一大爱好——每当他遇到一个MM,总是会不由自主地从相貌和身材上分别给其打分,首先他会在相貌上选择一个奇数分a (-10^18<=a<=10^18),然后在身材上再选择一个偶数分b (-10^18 <= b <= 10^18),最后把a与b的乘积v作为总分记录下来。

这就是维基解密公布的神秘数字!

 

现在,已知这些分数v,你能还原MM们的初始分a,b吗?

 

Input

输入数据的第一行是一个整数T,表示测试数据的组数;

然后是T组测试数据,每组测试数据包含一个整数v(-10^18<=v<=10^18)。

 

Output

请对应每组测试数据输出格式如"Case X: face : A figure : B"的结果。

其中,X是测试数据的编号,A和B则分别代表MM的初始面貌分和身材分。

如果总分不能被还原,请输出"Case X: illegal score."

 

特别提醒:

1、百小度是个很注重外貌的人,如果有多种答案,只要输出相貌分最高的那种情况即可。

2、MM的分数v可能为正,也可能为负,甚至可能为0;

3、注意输出格式,比如大小写、空格等;

4、也许你会就此将百小度归为资深屌丝一族,但是,谁没有一段苦逼的青葱岁月呢?

 

Sample Input

2

7

18

 

Sample Output

Case 1: illegal score.

Case 2: face : 9 figure : 2

#include <iostream>
#include <cstdio>

using namespace std;
__int64 num[70];

int main ()
{
	int t;
	int ans = 0;
	num[0] = 2;
	for (int i = 1; i <= 60; i++)
	{
		num[i] = num[i - 1] * 2;
	}
	scanf ("%d",&t);
	while (t--)
	{
		__int64 n;
		scanf ("%I64d",&n);
		printf ("Case %d: ",++ans);
		bool flag = 0;		//true表示负数
		if (n < 0)
		{
			flag = true;
			n *= -1;
		}
		if (n % 2 == 1)		//奇数
		{
			printf ("illegal score.\n");
		}
		else
		{
			__int64 i = n / 2;
			if (i % 2 == 0)
			{
				i--;
			}
			for (int j = 0; j <= 60; j ++)
			{
				__int64 b = num[j];
				__int64 a = n / num[j];
				if (a * b == n && a % 2 == 1)
				{
					if (flag)
					{
						b *= -1;
					}
					printf ("face : %I64d figure : %I64d\n",a,b);
					break;
				}
			}
		}
	}
	return 0;
}


 

速腾16线激光雷达(RS-16)在ubuntu18.04系统下跑SC-A-LOAM算法 说明: 简要记录一下速腾16线激光雷达即RS-16在ubuntu18.04系统下跑SC-A-LOAM算法的过程,因为SC-A-LOAM算法源码不支持RS雷达的数据,大致思想就是先将rs雷达发布的激光数据转换为velodyne类型的数据,考虑到接下来还要基于RS-16实时运行SC-A-LOAM算法,这里提前将RS_SDK驱动安装好。 1 搭建SC-A-LOAM算法运行环境 首先需要在电脑上搭建SC-A-LOAM算法的运行环境,见文章《ubuntu18.04搭建SC-A-LOAM环境并运行》 本文所使用的系统架 阅读详情

相关推荐

别再手动配电脑了!手把手教你用Windows Server 2022搭建企业AD域(附DNS配置避坑指南)

本文详细介绍了如何使用Windows Server 2022搭建企业AD域,提升20+终端的管理效率。通过实战案例和避坑指南,解析AD域的核心价值、部署步骤及DNS配置技巧,帮助企业实现集中权限管理、安全策略统一部署,显著降低IT运维成本。

weixin_30652897的博客 349

About 日历

判断闰年,判断星期几

Jimmy_King 617

MATLAB自动驾驶(1)——预构建场景库

MATLAB自动驾驶(1)——预构建场景库

Ucicorn Gundam的博客 3265

百度之星——2012年12月23号竞赛题目一

2012年12月23号竞赛题目一 主办方:百度公司 时间:2012-12-23 18:00 至 2012-12-24 00:00   Du熊做实验 Time Limit : 1000ms    Memory Limit : 65535K Problem Description du熊是个爱学习的孩子,他总喜欢在生活中做一些小实验,这次du熊想研究一下光

勤奋也是一种天赋 781

Python金融数据获取工具库之baostock使用详解

在金融数据分析和量化交易中,获取准确及时的市场数据是非常重要的。baostock是一个专门为中国股市数据提供支持的 Python 库,它提供了免费的股票数据接口,用户可以方便地获取股票、指数、基金等各种金融数据。本文将详细介绍baostock库,包括其安装方法、主要特性、基本和高级功能,以及实际应用场景,帮助全面了解并掌握该库的使用。

Rocky006的博客 5343

Comsol 管道导波裂纹检测:从建模到求解的完整流程解析

本文详细解析了使用Comsol Multiphysics进行管道导波裂纹检测的完整仿真流程。从几何建模、材料定义、物理场设置到网格划分与求解后处理,系统阐述了如何构建高保真虚拟模型以模拟导波与裂纹的相互作用。重点分享了激励信号设置、频散效应处理及参数化扫描等实战技巧,旨在帮助工程师与研究人员高效优化无损检测方案,降低实验成本。

weixin_29207439的博客 74

2012百度之星初赛第一场题A度度熊就是要第一个出场

第一题:度度熊就是要第一个出场 贴图不方便, 完整题目见这里 我的思路: 1,从下向上,找第一名的路径,把横线段做标记1,没有横线段的地方添加横线段出来,标记2 2,从上向下,找第K名(即度度熊的位置)的路径,遇到有标记的即表示本身就是第一(标记1),或加线段后可以是第一(标记2) 代码如下, 测试用例可以通过, 又做了几个简单的测试 // 2012 百度之星 初赛

CtrlFU 1862

Fluent求解器——湍流参数的设置

Fluent湍流参数的介绍和设置。

Ronko_G的博客 4万+

2012百度之星资格赛试题与AC代码

百度文库下载地址:http://wenku.baidu.com/view/39d92648852458fb770b5616.html 2012百度之星资格赛试题与AC代码 A:百度计算器的加法 时间限制: 1000ms 内存限制: 10000kB 描述 百度框计算中提供了计算器这个功能,模拟计算器中的复杂功能,我们最先需要解决的就是实现加法模块。今天就给你个机会,和百度计

Dreamer Thinker Doer 1338

测试用例设计工具大盘点:总有一款适合你

本文旨在帮助测试工程师、开发人员及团队管理者快速了解主流测试用例设计工具的特点、适用场景和选择逻辑。覆盖工具类型包括传统文档工具、开源管理工具、商业集成平台及新兴AI工具,范围涵盖中小团队到大型企业的不同需求。本文从“测试用例设计的痛点”切入,用生活案例解释核心概念;接着按“工具类型”分类盘点主流工具(附优缺点对比表);再通过“小团队/中大型团队/敏捷团队”等真实场景教你选工具;最后展望AI等未来趋势,帮你“一次学透,终身受用”。

项目管理的博客 1590

以 Cloud 为核心的设备 mTLS 证书体系:从产品需求到 OP-TEE 安全落地

本文探讨了以云端为核心的物联网设备mTLS证书体系构建方案。文章从产品需求出发,分析了云端必须采用mTLS+证书体系管理设备身份的原因,指出静态Token方案的三大缺陷:身份不可控、运营不可控和审计不可控。重点阐述了mTLS在产品中的核心功能是加密传输和双向认证,并详细列出了云端PKI、设备注册中心等必备组件。在设备侧,强调必须通过OP-TEE技术保护私钥安全,提出了一个包含密钥生成、CSR导出等功能的TA设计方案。最后,文章给出了云端端到端流程示例,说明如何将证书生命周期管理转化为可运营的产品能力,包括自

Interview_TC的博客 640

2012百度之星初赛第二场ProblemC

//2012百度之星初赛第二场ProblemC //这题用是贪心,按照差值从大到小排序,差值相同的按两种礼物得分总和从大到小排序 //然后大的优先选择礼物 #include #include #include #include using namespace std; struct Friend{ int a, b; int x, y; int dlt; }friends[1010]

yzx930420的专栏 1895

python利用IQR方法与3σ方法进行异常值处理(含代码)

python利用IQR方法进行异常值处理

weixin_46713695的博客 2031

2012百度之星初赛第一场题B小小度刷礼品

初赛第一场完整题目见这里 第二题:小小度刷礼品 一年一度的百度之星又开始了,这次参赛人数创下了吉尼斯世界纪录,于是百度之星决定奖励一部分人:所有资格赛提交ID以x结尾的参赛选手将得到精美礼品一份。 小小度同学非常想得到这份礼品,于是他就连续狂交了很多次,提交ID从a连续到b,他想问问你他能得到多少份礼品,你能帮帮他吗? 输入 第一行一个正整数T表示数据组数;

CtrlFU 1787

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。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

2012百度之星资格赛试题与AC代码合集

百度文库下载地址:http://wenku.baidu.com/view/39d92648852458fb770b5616.html 2012百度之星资格赛试题与AC代码 A:百度计算器的加法 时间限制: 1000ms 内存限制: 10000kB 描述 百度框计算中提供了计算器这个功能,模拟计算器中的复杂功能,我们最先需要解决的就是实现加法模块。今天就给你个机会,和百度计算器一样,计算一...

weixin_30326741的博客 1485

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

【亲测免费】 2012PHM数据竞赛资源文件下载

2012PHM数据竞赛资源文件下载 【下载地址】2012PHM数据竞赛资源文件下载 2012PHM数据竞赛资源文件下载本仓库提供了一个名为`2012phm.zip`的资源文件下载,该文件包含了以下内容:1. **2012PHM数据竞赛数据集**:完整的2012年PHM(Prognostics and Health Man...

gitblog_09764的博客 500

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")

2012百度之星初赛第二场A题解答

Made By MarsBoy     转载请注明出处   今年是我参加Baidu Astar的第一年,身为编程菜鸟的我,知道自己在初赛就挂了,但是挂归挂,题目我还是很想在赛后解答的,于是经过一番功夫,现在将初赛第二场的解题思路和代码贴出来供大家分享。   【题目】 度度熊就是要刷排名第一 时间限制: 1000ms 内存限制: 65536kB 描述 一天度度熊在Baidu游戏

marsboy1992的专栏 1794

【2012百度之星/初赛上】B:小小度刷礼品

描述:一年一度的百度之星又开始了,这次参赛人数创下了吉尼斯世界纪录,于是百度之星决定奖励一部分人:所有资格赛提交ID以x结尾的参赛选手将得到精美礼品一份。 小小度同学非常想得到这份礼品,于是他就连续狂交了很多次,提交ID从a连续到b,他想问问你他能得到多少份礼品,你能帮帮他吗? 输入 第一行一个正整数T表示数据组数; 接下去T行,每行三个正整数x,a,b (0 18, 1 18,a 输

Hackbuteer1的专栏 3587

百度之星2012年12月11日竞赛题目二--du熊填数字

http://astar.baidu.com/index.php?r=home/detail&id=3 题目重写如下: Du熊填数字 Time Limit: 3000/2000 MS (C/Others)    Memory Limit: 65536/32768 K (C/Others)   本次组委会推荐使用C、C++ Problem Description     du熊

niuxianzhuo的专栏 1271

百度之星的十五年:坚定技术信仰,普惠AI顶级人才

“真是一件非常伟大的事情。” 清华大学邬晓钧教授在参加一场活动时发出了这样的感慨。 那是什么让这位人工智能学术界大咖级人物发出如此赞赏? 答案是刚刚落幕的百度之星大赛。 △图注:百度CTO王海峰与2019“百度之星”优胜选手在一起(来源:百度官方) 一个看似常规的大赛,何以获得如此溢美之词?当我们了解了其发展历程和所达成的台面上或潜移默化的至高成就、价值和影响力后,也就不难理解邬晓钧教授...

gowithai的博客 443

【2012百度之星/初赛上】小小度刷礼品

描述:一年一度的百度之星又开始了,这次参赛人数创下了吉尼斯世界纪录,于是百度之星决定奖励一部分人:所有资格赛提交ID以x结尾的参赛选手将得到精美礼品一份。 小小度同学非常想得到这份礼品,于是他就连续狂交了很多次,提交ID从a连续到b,他想问问你他能得到多少份礼品,你能帮帮他吗? 输入 第一行一个正整数T表示数据组数; 接下去T行,每行三个正整数x,a,b (0 18, 1 18,a 输

hushhw的博客 487

设计之星 ai_二十万人的AI成长之路 ,百度之星用十五年去点亮

10月15日,百度之星迎来了自己的第15个颁奖礼。与往年最大的不同,可能就是00后在本届百度之星的表现,程序设计大赛排名前10的名单中,00后占据的席位有9个之多,其中来自杭州学军中学的00后选手张哲宇同学一举摘得程序设计大赛桂冠。当整个社会都在讨论AI人才缺口的时候,00后们在百度之星赛场上的出色表现,不失为一个好消息。百度CTO王海峰与2019“百度之星”优胜选手在一起中国AI的星星之火把时间...

weixin_39632057的博客 246

数学建模四大模型、历年国赛题目以及优秀论文

目前数学建模国赛培训已经进入火热的备战时期,许多高校早已开始了数学建模的线上培训。而且因为疫情的原因,数学建模国赛是线上不受影响,但一些线下的大型比赛被推迟,如电子设计竞赛国赛等,小编就是因为这样转战数模国赛,专心投入数学建模的国赛备战中。 小编在这里总结一下数学建模常用的四大模型(评价模型、预测模型、优化模型、分类模型)并且分享一下历年的国赛题目以及优秀的国赛论文。 目录 1.数学建模四大模型: 2.历年国赛赛题: ...

博主关注人工智能、强化学习、嵌入式等||985高校A+学科研究生、猿龄六年||优快云博客专家、2024年博客之星TOP33、华为云享专家、人工智能领域优质创作者。 3万+

2017年大规模视觉识别挑战赛(ILSVRC2017)imagenet2012 数据集下载 含百度云盘

2017年大规模视觉识别挑战赛(ILSVRC2017) 返回主页 引文 使用DET或CLS-LOC数据集时,请引用: Olga Russakovsky *,Jia Deng *,Hao Su,Jonathan Krause,Sanjeev Satheesh,Sean Ma,黄志恒,Andrej Karpathy,Aditya Khosla,Michael Bernstein,Alexand...

python深度学习笔记,一起学习的加QQ2737499951 1万+

【百度之星技术社区邀请赛12月11号竞赛题目一】du熊学斐波那契I

du熊学斐波那契I Time Limit : 2000/1000ms (C/Other)Memory Limit : 65535/32768K (C/Other) 本次组委会推荐使用C、C++ Problem Description du熊对数学一直都非常感兴趣。最近在学习斐波那契数列的它,向你展示了一个数字串,它称之为“斐波那契”串: 1123581347112358134...

weixin_30764137的博客 128
上一篇: 百度之星——2012年12月23号竞赛题目一
下一篇: 百度之星第四周
WellerZhao
博客等级 码龄15年 11粉丝 28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