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
1.3k累计阅读
1.3k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
对于这次四川大学的结果，我感到挺意外。
比赛开始时，我们3人分工很明确。随后我很快读出了一道题，然后和tuber交流了题意，确认了以后就开始敲。此时Aikilis继续看题。随
多分钟，Aikilis终于把J题AC了。
本次比赛结束，我们队AC了2题，RANK 18。
还是不够，而我的BFS没能AC成为了我对这次比赛最大的遗憾...
Arcgis 10.3 与 ArcGIS Engine 10.3 安装与破解
Arcgis 10.3 与 ArcGIS Engine 10.3 安装与破解
UVA 1647(p345)----Computer Transformations
#include #include #include using namespace std; int O[1010][100]; int Z[1010][100]; void prepare() { memset(O,0,sizeof(O)); memset(Z,0,sizeof(Z)); O[0][0]=O[1][0]=1; for(int i=2; i<100
嵌入式开发避坑指南：用DWT做延时函数，这几个细节不注意代码会跑飞
本文深入探讨了在Cortex-M嵌入式开发中使用DWT实现精确延时函数的关键技巧与常见陷阱。针对DWT_CYCCNT计数器应用中的内核兼容性、溢出处理、编译器优化等五大核心问题，提供了工业级稳健解决方案，帮助开发者避免代码跑飞风险，实现微秒级高精度延时控制。
2019四川大学第二届SCUACM新生赛题解
解题后记： 1.题是好题，虽然简单，都是学习C语言程序设计必学的内容。 2.通用化编程往往没有得到重视，尤其是初学的时候。 3.结构化程序设计非常重要，需要从开始就把握。 4.代码不仅要简洁，而且要极其简洁。 5.逻辑结构清晰也非常重要，需要时时注意。 ...
Android布局基础与UI设计入门：打造精美应用界面
恭喜你！现在你已经掌握了Android UI开发的基础知识，包括各种布局类型、常用控件的使用以及一些UI优化技巧。这些知识将帮助你设计出既美观又实用的Android应用界面。
【首份】2023年30米分辨率土地利用遥感监测数据
为了恢复和重建我国土地利用变化的现代过程，更好地预测、预报土地利用变化趋势，地球资源数据云以美国陆地卫星Landsat 遥感影像数据作为主信息源，结合Sentinel系列数据，通过人工目视解译和机器学习方法，建立了国家尺度1：10 万比例尺多时期土地利用/土地覆盖遥感监测数据库（CNLUCC）因早期Landsat数据时空覆盖缺失，1972-1977年合成第一期数据，1978-1985年合成第二期数据，1986年起每年度生成一期数据。投影：Albers正轴等面积双标准纬线圆锥投影南标准纬线：25°N。
四川大学第二届SCUACM新生赛（同步赛）
文章目录A - 丁姐姐喜欢Fibonacci（规律）B - 丁姐姐喜欢LCS（字符串）K - 梅森素数（送分题） A - 丁姐姐喜欢Fibonacci（规律） 原题链接：https://ac.nowcoder.com/acm/contest/1838/A 思路： 看着像是一道斐波那契数列题，其实是一道规律题，可以发现，该序列以 “奇奇偶” 的规律一直循环着。 Code（C++）： #in...
树莓派视觉小车实战：OpenCV驱动的智能物体追踪系统
本文详细介绍了如何从零开始构建一个基于树莓派的智能视觉小车，实现物体跟踪功能。通过OpenCV进行图像处理，结合颜色与轮廓识别算法，让小车能够实时锁定并追踪特定目标。内容涵盖硬件搭建、软件环境配置、核心代码解析及运动控制逻辑，为创客和开发者提供了完整的实战指南。
usaco 1.2:Transformations
<br />描述<br />一块N x N（1<=N<=10）正方形的黑白瓦片的图案要被转换成新的正方形图案。写一个程序来找出将原始图案按照以下列转换方法转换成新图案的最小方式： <br />1：转90度：图案按顺时针转90度。 <br />2：转180度：图案按顺时针转180度。 <br />3：转270度：图案按顺时针转270度。 <br />4：反射：图案在水平方向翻转（以中央铅垂线为中心形成原图案的镜像）。 <br />5：组合：图案在水平方向翻转，然后再按照1到3之间的一种再次转换。 <br />
Android 13.0 USB 麦克风音频采集优化：解决延时、杂音和无声问题
摘要：本文针对Android智能会议设备中USB麦克风存在的三大问题（录音延时、概率性杂音和无声）进行了深入分析和优化。通过预填充静音帧降低90%启动延时，分离采集/播放互斥锁消除杂音，采用持久化配置解决无声问题，并新增状态通知机制提升用户体验。优化后测试显示：录音延时从1200-2000ms降至100-200ms，故障率降至0%，CPU占用降低30%。该方案适用于各类USB音频设备和视频会议系统，为低延时音频采集提供了可靠解决方案。
在线考试题库抓取：Python 爬虫抓取各类在线考试平台题库和试题
通过这些技术，您可以抓取各类在线考试平台上的题库数据，进行数据分析、生成练习题集，甚至用于考试准备。为了演示抓取过程，本篇博客选择了两个常见的在线考试平台进行数据抓取：一个是教育考试平台（如“中小学题库”），另一个是职业考试平台（如“华图教育”）。对于这些网站，我们需要找到包含题库信息的页面，并分析每一页的 HTML 结构，从而定位到题目、选项、答案等数据。大多数在线考试平台的题库是分页显示的，因此我们需要遍历多个页面，抓取所有的题库数据。因此，我们需要设置合适的请求头来模拟真实的浏览器请求。
2017川大校赛A题
题意就不说了，我们也错了那么多次，这个题有两个问，其实比较难的是第一个问，但是刚好第一个问我在上一周曾经问过龙哥，那么第一个问就秒出答案，对于第一个问的精度问题，当暴力算时n是小于10的，答案要求保留前6位小数，没问题。然后第二个问就是一个比较简单的概率DP。 题目求抽m次刚好抽到n张卡的概率，那么对于第m-1次，其实只有n-1张卡，这是一个关键的问题。 令一个dp[i][j] 表示抽 i 次
【win10】win 10 电脑喇叭音频显示红叉的处理方法
目录 一、报错情况 二、“音频服务未运行”解决方法 三、“未插入扬声器或耳机”解决方法 一、报错情况 （1）当电脑的扬声器喇叭图标上带有红X符号，提示“音频服务未运行”时： （2）小喇叭上面有红叉，显示“未插入扬声器或耳机”时： 二、“音频服务未运行”解决方法 （1）开始菜单搜索“服务”： （2）没有启动的点击“启动”，已启动的点击“重新启动”： （3）继续，右...
福大校赛G&J
福大校赛好像2个月前举办的，在福大OJ上搞了同时的在线比赛，当时做了一下，切了4道题。。。之后把G和J独立完成，现在说一下这两道题 G(FZU 2127) 构建符合条件的三角形个数，先列个方程，发现是就是解三元不定不等式组组，虽说三元方程，但可以穷举某一个变量，进而以时间的代价简化问题复杂度，简化为二元不等式组，画图搞定，一些细节要考虑清楚，不过我是1A。。。代码：#include #inc
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
2013北大校赛 13年5月12日 总结
5.12日去北交参加北大的校赛，一群人预计8:20出发，结果某人充话费充了半小时，最后就跟8:50的学姐学长一起去了。 不知道为什么在北交有个赛场，大概是报名的人太多了吧。按着条子找机器的时候发现乱了，三个人被分成了两半，后来志愿者说是打错了，就让我们随便找个坐下。 比赛开始前无聊地很，发现主机是横放的，于是就脑补了“激情敲码时膝盖顶到电源键”的场景。 还有一点的不习惯的是键盘貌似是
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
嵙大校赛wp
Web 1.一个不能按的按钮 题目地址：http://47.103.6.99:8000. f12打开控制台，删掉disabled即可点击flag，得到一段php代码 assert函数：当变量为真值时将字符串当作语句执行，而当false值时将其转换成一空字符串。 如果想要assert执行的话就要先执行file_exists()函数，file_exists()函数是用来检查文件或目录是否存在的...
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")
2019武科大校赛游记
我佛了，刚刚登博客用户名密码一起出锅，还好我机智尝试多次爬了进来。 这次的校赛纯属意外，本来这段时间的计划只不过是好好弄弄紫书上的题，结果看见Google赞助就脑子不拎清报名了，报名过程依旧很曲折，但我不想多说，总之就是随便找了个同学一起去玩了，由于没有前期磨合，甚至两个人完全不熟，所以最后很惨ORZ。 开局我们就很顺利找到了M是签到，然后光速过了。接着队友信誓旦旦和我说有一道是矩...
B.Blcoks(2019武大校赛现场赛)(吉比特杯第二届湖北省程序设计大赛) 解题报告 Apare_xzc
B.Blcoks(2019武大校赛现场赛)(吉比特杯第二届湖北省程序设计大赛) 解题报告 xzc 2019/4/16 题意： n个柱子(n<=20)，每个柱子有高度h和美丽值b,高度h各不相同，但b可能相同 现在要选L个，高度升序，美丽值也升序，剩下的不能被看到要放在高度比它高的柱子的后面，求排列的种类数%998244353 输入形式： n L h1 h2 h3... hn b1...
腾讯启动史上最大校招计划
OpenAI推出了其o系列模型的最新成果o3和o4-mini，这些模型经过训练，能在响应前进行更长时间的思考，是迄今为止最智能的模型。该模型采用创新的多模态预训练和后训练方法，在多模态性能上全面领先，10亿至780亿参数的全量级版本均在开源模型中性能第一，接近闭源模型Gemini-2.5-Pro。他指出，AI的上半场主要聚焦于模型和方法的创新，如Transformer、GPT等基础性突破，但随着这些创新的累积达到临界点，AI的发展重心正在发生根本性转变。
地大校赛2014 题解
中国地质大学（北京）第八届程序设计竞赛 A. 部落战争 模拟 B. 影分身之术 数论 C. 黄焖鸡与矩阵 贪心 D. IOCCC情书生成器 模拟 E. SIO__Five的滑板鞋 数学 F. SIO__Five的礼物 贪心 G. Ant、本子与粉碎机 LIS的dp H. 世界统一 dp+单调性 I. MaoMao、奶牛和牧场 tarjan+贪心 J. 无聊的Bright 数学
A. A simple Problem(2019武大校赛现场赛)(吉比特杯第二届湖北省程序设计大赛) 解题报告 Apare_xzc
A. A simple Problem(2019武大校赛现场赛)(吉比特杯第二届湖北省程序设计大赛) 解题报告 xzc 2019/4/15 题意： 求下列式子，其中有K个b ((((a)^b)^b)^b...)^b % p 数据范围： 1<=a,b,p<=1E7 1<=k<=1E18 输入： 第一行一个T，代表T组数据 下面有T行，每行4个数，a,...
河工大校赛终结
河理工校赛终结 今天去参加了河理工的校赛，知道了水平的差距。 这次想说说自己存在的问题，和我们队存在的问题。 我们队的第一题是我写的是一道水题，D题关于字符串判断的。写的也很快，但是有点莫名的紧张。有点小错误，但是坤看了一遍就找到了错误，最后我把所想的样例都测试了，没有错就放心的交了。提交后，WA了。我就立即告诉旁边的坤，坤告诉我没事一会帮我找找（有了他的安慰，这是我的内心变化很明显，并没有
[2014.04.27]科大校赛总结
科大这一次比赛是个人赛
2017 上大校赛
2017 上大校赛 7月9日，早八点。骑辆摩拜去南站，坐地铁去上海大学。 翘了开幕式，直接热身。然后去校门口吃了个广东烧腊，当然还是骑摩拜，开始正式赛。 先说结果，总共搞了7题，非常菜。 第一题水题，结果一看太激动了，题目都没看完，直接写一发交，run id = 1。结果往后一翻样例都不对。WA。改后AC。 第二题模拟题，模拟题就是要仔细读题，由于我做到了，运气较好1A。 第三题原本也是
烟大校赛2020圣诞爷爷的礼物
G. 圣诞爷爷的礼物 [ Problem 4864 ] [ Discussion ] Description 圣诞节快要到了，圣诞老爷爷要打包n 份糖果分给小朋友们，假设圣诞老爷爷已经打包好了m 份糖果了。恰好轮到小明了，小明因为是里面最小的小朋友，所以小明可以要两份，并且可以提出要求，小明希望能分到这n 份糖果中最多糖果的一份和最少糖果的一份，并且里面的糖果恰好为a 和b 个，这可难到圣诞老爷爷了，打包好的不可以拆开，剩下的n−m 份都可以现装糖果，问能否满足小明的要求。 Input 输入包含两行： 第
武大校赛感想
武大校赛: 4月15日晚7点到达武汉里的一个招待所，刚到武汉的感受就是真热啊，这里的人都穿起短裤短袖了，所以打算去招待所洗个澡，结果招待所是4人间的，很挤没有独卫，公共卫生间的淋浴也上锁了，所以就打消了洗澡的想法。照例和同行一起去校区转了转，本来以为可以看到樱花，结果很失望，并没有开，但是看到了樱园，和樱园上面的图书馆，彻底感受到名校的底蕴，心里突然有种考研的感觉，心里感受很深。到这里转完就回招
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4725
扫一扫
