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
200+累计阅读
283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
作为第二题，本题很简单，因为进制数从低位到高位，每一位都是作为余数存在，所以可以根据这个直接计算
代码码上了
a,b,jinzhi = map(int,input().split())
num = a+b
res = []
while num>=jinzhi:
res.append(str((num%jinzhi)))#余数存进列表，作为低位数
num = num//jinzhi
res.append(str(num))#最高位数
print(''.join(res[::-1]))#倒过来就是正序，直接连起来输出就行
提交结果：
stata：stata软件教程（人大十八讲）（1） 第一章 stata入门
第一章 stata入门1.1 安装1.2 启用和退出1.3 打开和查看数据1.4 寻求帮助与网络资源1.5 命令示例1.6 几个环境设置1.7 复习与练习1.8 附录 注：教材为：Stata 统计分析教程 stata软件教程（人大十八讲） 中国人民大学出版社 陈传波 1.1 安装 1.2 启用和退出 1.3 打开和查看数据 1.4 寻求帮助与网络资源 1.5 命令示例 1.6 几个环境设置 1.7 复习与练习 1.8 附录 ...
pat乙级1022（python实现)
A,B,D = map(int,input().split()) lst = [] sum = A+B if sum == 0: print(0) else: while sum: lst.append(sum%D) sum //= D lst.reverse() for i in lst: print(i,end='...
VCS多lib编译实战：如何高效处理Verilog模块重命名与分开编译
本文深入探讨了在复杂SoC设计中，如何利用VCS工具实现多库编译，以高效处理Verilog模块重命名与分开编译的工程难题。通过解析synopsys_sim.setup配置、Config映射机制，并提供完整的自动化脚本实战指南，帮助工程师构建健壮、可维护的编译环境，从而显著提升大型项目的编译效率和代码管理灵活性。
Pat(Basic Level)Practice--1022（D进制的A+B）
Pat1022代码 题目描述： 输入两个非负10进制整数A和B(30-1)，输出A+B的D (1 输入格式： 输入在一行中依次给出3个整数A、B和D。 输出格式： 输出A+B的D进制数。 输入样例： 123 456 8 输出样例： 1103 AC代码： #include #define MAX 1000 using names
数据标注工具：AiLabel.js实现标注 超详细教程 案例分享
背景：在前端开发过程中难免遇到针对图片的缩放平移；以及在图片上进行矢量数据、文本、标注的展示；如果你有上面的任何需求，恭喜你，找到组织了.... 在此背景下，AILabel.js出生了。 前面文章我们已经介绍过AiLabel.js了； https://blog.youkuaiyun.com/u012967771/article/details/113148527 npm下载地址：https://www.npmjs.com/package/ailabel github地址:https://github.com/d.
STM32CUBEMX配置SDRAM
STM32CUBEMX配置SDRAM
3.10 PAT1022 乙级 python
D进制的A+B def travese(n,i): lst = [] while n>=i: lst.append(n%i) n = n//i lst.append(n) for k in reversed(lst): print(k,end = '') a,b,d = input().split() c = int(a)+int(b) travese(c,int(d...
最近爆火的 Ontology 本体是什么？一文看懂基础概念 + 落地实操
1993 Tom Gruber原版定义：本体是对领域概念化模型的显式形式化规范。1998 Studer完善通用定义：本体是共享、明确、形式化的领域概念模型规范。大白话翻译：本体就是机器能看懂的行业词典+业务规则手册。数据库只管存数据，本体只管定规则，知识图谱是规则+数据结合体。区别于普通开源本体工具，这款国产商用本体平台核心优势：业务沙盘推演、可控业务数据写回、全链路字段级数据血缘审计，适配企业生产级业务落地。
Python PAT乙级1022D进制的A+B (20分)
输入两个非负 10 进制整数 A 和 B (≤2^30−1)，输出 A+B 的 D (1<D≤10)进制数。 输入格式： 输入在一行中依次给出 3 个整数 A、B 和 D。 输出格式： 输出 A+B 的 D 进制数。 输入样例： 123 456 8 输出样例： 1103 a,b,d=input().split() a,b,d=int(a),int(b),int(d) s=a+b res=[] n=list(range(32)) """进制的幂最大为31,2^31""" n=n[::-1] fo
【NVIDIA-GB200-1】国内第一份生产环境实战安装配置教程，配置安装脚本，nvidia gb200配置教程-复制即用；gb200驱动安装
GB200 的高性能通信依赖。
2025华为OD机试真题最新题库 (B+C+D+E+2025A+2025B卷) + 在线OJ在线刷题使用（C++、Java、Python C语言 JS合集）（正在更新2025B卷，目前已收录710道）
2024年，华为目前已经启用D卷，目前D卷和C卷的题目一样一次订阅永久阅读，支持在线刷题，持续更新，有问题随时解答，本专栏题目数量已收录到484道。每篇文章的思路分析都非常详细，题目新增图解思路，问题解疑，多样例测试，超过百字的思路参考解析。
pat A1022 python
输入环节 使用字典，将所有出现的关键词分组存储。 title={} author={} keyword={} publisher={} year={} n=int(input()) for i in range(n): id=input() temp=input() try: title[temp].append(id) except: title[temp]=[id] temp=input() try:
C# 上位机 YOLO 实战：从数据采集到目标识别的全流程拆解
本文以工业螺栓缺陷检测为例，完整拆解了C#上位机+YOLO从数据采集到目标识别的全流程。数据采集：保证图像质量，线程安全采集，必要时归档数据；预处理：适配YOLO模型输入格式，复用对象减少内存开销；推理解析：正确解析张量结果，过滤低置信度目标；落地环节：可视化展示结果，实现工业交互和日志记录。
PAT乙级 1022 D进制的A+B (python)
1022 D进制的A+B (20 分) 输入两个非负 10 进制整数 A 和 B (≤230 −1)，输出 A+B 的 D (1<D≤10)进制数。 输入格式： 输入在一行中依次给出 3 个整数 A、B 和 D。 输出格式： 输出 A+B 的 D 进制数。 输入样例： 123 456 8 输出样例： 1103 python代码（部分正确，得分18分）： s = list(map(int,input().split())) A,B,D= s[0],s[1],s[2] C = int(A + B)
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
Pat乙级1022题——D进制的A+B（Python）
代码测试结果为满分 def dHex(): input = map(int, raw_input().split(' ')) number = input[0] + input [1] d = input[2] result = [] while number >= d: result.append(number % d) ...
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")
全部博文链接汇总（不断更新）
用python来解 PAT 1001 害死人不偿命的(3n+1)猜想-15-满分 用python来解 PAT 1002 写出这个数 -20-满分 用python来解PAT乙级1042 字符统计-20-满分 用python来解 PAT乙级 1022D进制的A+B -20-满分 用python来解 PAT 1048数字加密-20-满分无超时 用python来解 PAT 1050螺旋矩阵-25-满分无超时 用python来解 PAT 1060爱丁顿数-25-满分无超时 用python来解 PAT 1061判断题-
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
PAT-1022 D进制的A+B (20分) Python3 （知识点：进制转换）
1022 D进制的A+B (20分) 输入两个非负 10 进制整数 A 和 B (≤230 −1)，输出 A+B 的 D (1<D≤10)进制数。 输入格式： 输入在一行中依次给出 3 个整数 A、B 和 D。 输出格式： 输出 A+B 的 D 进制数。 输入样例： 123 456 8 输出样例： 1103 AC代码： A,B,D=map(int,input().split()) C...
1022 D进制的A+B python
1022 D进制的A+B （20 分） 输入两个非负 10 进制整数 A 和 B (≤230−1)，输出 A+B 的 D (1<D≤10)进制数。 输入格式： 输入在一行中依次给出 3 个整数 A、B 和 D。 输出格式： 输出 A+B 的 D 进制数。 输入样例： 123 456 8 输出样例： 1103 这个题呢不难，就是考一下十进制转换成其他进制 ...
python入门第一题：输出a+b
最近在PythonTip练题，不想为刷题而刷题，所以会保持慢进度高质量，同步在csdn和微信公众号更新代码和笔记。欢迎大神们指点（估计大神没有那么空啦。。）。微信公众号二维码或者搜索risunonithijyo1.贴题-------------------------------------------------------------------------给你两个数a、b，请你计算它们的和，...
PAT乙级题：python1022D进制的A+B （20分）
看到陈越姥姥说20分的题目控制在30分钟之内做完，这道题我刚好用了20分钟。 一开始我想除了二进制和八进制，其他我都不太了解怎么办，好在十进制到二进制的转换给了我灵感，可以写一个D进制的函数一次转化完成。 其实十进制转化为二进制就是不断取余的过程，参考博客[1]中的做法： 我写出了这个函数： A,B,D= map(int,input().split(" ")) C = A+B #提示：十进制转化二进制，除二取余 lst = [] #用来存放D进制数的各位数字 def Djinzhi(c,d): w
PAT 1022 D进制的A+B python
1022 D进制的A+B (20)（20 分） 输入两个非负10进制整数A和B(<=2^30^-1)，输出A+B的D (1 < D <= 10)进制数。 输入格式： 输入在一行中依次给出3个整数A、B和D。 输出格式： 输出A+B的D进制数。 输入样例： 123 456 8 输出样例： 1103 作者: CHEN, Yue 单位: PAT联盟...
PAT甲级部分python解题记录
用Python写PAT甲级，答案都在这了。每一道题都有原题、题目大意以及代码实现，大部分的题目都有详细的逻辑分析。欢迎大家一起来讨论！
Python：1022 D进制的A+B
文章目录一、题目二、代码 一、题目 二、代码 思路分析： 首先需要明白进制的运算，建议可以在纸上写下 主要是通过余数和除数进行运算 注意： 情况要考虑全面， A 与 B 相加等于 0 的情况也要考虑 这里需要借助 python 中列表的 insert 方法更好的实现余数的统计 A,B,D = map(int,input().split()) result = [] sum_ab = A + B ...
1022 D进制的A+B（20 分）
题目链接 1022 D进制的A+B（20 分） 输入两个非负 10 进制整数 A 和 B (≤230−1)，输出 A+B 的 D (1<D≤10)进制数。 输入格式： 输入在一行中依次给出 3 个整数 A、B 和 D。 输出格式： 输出 A+B 的 D 进制数。 输入样例： 123 456 8 输出样例： 1103 思路:(⊙﹏⊙) 代码: #in...
用python来解 PAT乙级1089 狼人杀-简单版 -20-满分无超时（带注释）
题意概括，在第i行用正负号+j的形式顺序输入，表示i号对j号的发言，+是好人，-是狼人，输出最小的解告诉大家狼人是哪两个，撒谎的人是一个好人和一个狼人一共两个人，无解输出‘No Solution’ 所以本题思路可以先假设两只狼，然后看所有人的逻辑是否都行得通，因为多解时是输出最小的解，所以可以直接遍历假设狼的号码，遇到正确解就直接中断并输出 代码如下（有注释）： n = int(input()) s = [int(input()) for i in range(n)] # 将他们说的话放在一个列表
用python来解 PAT乙级1082射击比赛 -20-满分
题意很简单，输入运动员的编号和射出箭的坐标，对比他们到圆心的距离，输出最近的（冠军）和最远的（菜鸟）编号 直接用求三角形最长边的计算公式对每一个坐标求距离，先设两个常量分别是0和200（任意设置一个不可能达到的距离就可），然后遍历过程中替代他们，最后输出 代码如下： n = int(input()) res = '0000 0000'#先定输出结果 max_dis = 0 min_dis = 200#设置两个边界的常量 # num_dis = dict()#也可以用字典 for i in range
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
