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
280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
题目描述
一个文件目录的数据格式为：目录id，本目录中文件大小，(子目录id列表）。
其中目录id全局唯一，取值范围[1, 200]，本目录中文件大小范围[1, 1000]，子目录id列表个数[0,10]例如 : 1 20 (2,3) 表示目录1中文件总大小是20，有两个子目录，id分别是2和3
现在输入一个文件系统中所有目录信息，以及待查询的目录 id ，返回这个目录和及该目录所有子目录的大小之和。
输入描述
第一行为两个数字M，N，分别表示目录的个数和待查询的目录id,
接下来M行，每行为1个目录的数据：
目录id 本目录中文件大小 (子目录id列表)
子目录列表中的子目录id以逗号分隔。
输出描述
待查询目录及其子目录的大小之和
用例
| 输入 | 3 1 3 15 () 1 20 (2) 2 10 (3) |
华为OD机试 - 文件目录大小（Python）
其中目录id全局唯一，取值范围[1, 200]，本目录中文件大小范围[1, 1000]，子目录id列表个数[0,10]例如 : 1 20 (2,3) 表示目录1中文件总大小是20，有两个子目录，id分别是2和3。目录1大小为20，包含一个子目录2 (大小为10)，子目录2包含一个子目录3(大小为15)，总的大小为20+10+15=45。现在输入一个文件系统中所有目录信息，以及待查询的目录 id ，返回这个目录和及该目录所有子目录的大小之和。第一行为两个数字M，N，分别表示目录的个数和待查询的目录id,
文件目录大小
目录1大小为20，包含一个子目录2（大小为10），子目录2包含一个子目录3（大小为15），总的大小为20+10+15=45。输入描述：第一行为两个数字M，N，分别表示目录的个数和待查询的目录id，1
2023华为OD机试真题【文件目录大小/深度优先搜索】
一个文件目录的数据格式为: 目录id，本目录中文件大小，(子目录id列表)其中目录id全局唯一，取值范围[1,200]，本目录中文件大小范围[1,1000]，子目录id列表个数[0,10]目录1大小为20，包含一个子目录2(大小为10)，子目录2包含人子目录3(大小为15)，总的大小为20+10+15=45。现在输入一个文件系统中所有日录信息，以及待查询的目录id，返回这个目录和及该目录所有子目录的大小之和。例如 : 1 20 (2,3)表示目录1中文件总大小是20，有两人子目录，id分别是2和3。
华为OD机试真题 2025B卷 - 文件目录大小(C++ & Python & JAVA & JS & GO)
华为OD2025B卷 文件目录大小,提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解
【免费题库】华为OD机试 - Linux 发行版的数量（Java & JS & Python & C & C++）
## 题目描述 Linux 操作系统有多个发行版，distrowatch.com 提供了各个发行版的资料。这些发行版互相 存在关联，例如 Ubuntu 基于 Debian 只开发而 Mint 又基于 Ubuntu 开发，那么我们认为 Mint 同 Debian 也存在关联。 发行版集是一个或多个相关存在关联的操作系统发行版，集合内不包含没有关联的发行版 给你一个 n*n 的矩阵 isConnected，其中 isComnected[i][j] = 1 表示第 i 发行版和第 j 个发行 版直接关联，而 is
【免费题库】华为OD机试 - 单词加密（Java & JS & Python & C & C++）
## 题目描述 1、输入一个英文句子，句子中包含若干个单词，每个单词间有一个空格； 2、需要将句子中的每个单词按照要求加密输出。 要求： 1）单词中包括元音字符（‘aeuio’、‘AEUIO’，大小写都算），则将元音字符替换成‘*’ 2）单词中不包括元音字符，将单词首尾字符进行对换 ## 输入描述 输入只有一行，包含一个长度都不超过100的字符串，表示英文句子。 ## 输出描述 输出只有一行，即按要求输出加密处理后的英文句子 ## 用例 输入 Hello world 输出 H*ll* w*rl
2023华为od机试真题B卷【文件目录大小】Java 【100%通过率】
一个文件目录的数据格式为: 目录id，本目录中文件大小，(子目录id列表)其中目录id全局唯一，取值范围[1,200]，本目录中文件大小范围[1,1000]，子目录id列表个数[0,10] 例如 : 1 20 (2,3)表示目录1中文件总大小是20，有两人子目录，id分别是2和3 现在输入一个文件系统中所有日录信息，以及待查询的目录id，返回这个目录和及该目录所有子目录的大小之和
华为OD机试 新系统 双机位C卷 真题题库目录｜机考题库 + 算法考点详解
本文整理华为OD机试(机考) 新系统真题题库，提供高频考点精析与详细题目内容，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解 和 在线OJ做题练习。华为OD机试新系统真题题库。
华为OD机试2025A卷 - 文件目录大小（Java & Python& JS & C++ & C ）
2025A卷 - 文件目录大小：一个文件目录的数据格式为：目录id，本目录中文件大小，(子目录id列表）
【2024华为OD机试C卷】 398、转盘寿司 | 机试真题+思路参考+代码解析（C语言、C++、Java、Py、JS）（最新抽中）（本题100%）
题目描述 >寿司店周年庆，正在举办优惠活动回馈新老客户。 寿司转盘上总共有n盘寿司，prices[i] 是第 i 盘寿司的价格，如果客户选择了第i盘寿司，寿司店免费赠送客户距离 第 i 盘 寿司最近的下一盘寿司 j ，前提是prices[ j ] < prices[ i ]，如果没有满足条件的 j，则不赠送寿司 每个价格的寿司都可无限供应
【华为OD机试真题 2025C卷】795、文件目录大小 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
【华为OD机试真题 2025C卷】795、文件目录大小 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS） 华为od机试，华为od机试真题，华为od机试E卷，华为odE卷，华为od机试真题E卷，华为OD，华为OD机试，华为OD机试真题，华为od机考，华为od机试D卷，华为od机试真题D卷，华为od手撕代码，华为od，华为od机试C卷，华为od e卷，华为2025e卷，od机试，2025E卷，华为OD机试E卷，什么是华为od，华为od介绍，全面了解华为od，2025华为od，如何备战华
华为OD机试C卷-- 找单词（Java & JS & Python）
给一个字符串和一个二维字符数组，如果该字符串存在于该数组中，则按字符串的字符顺序输出字符串每个字符所在单元格的位置下标字符串，如果找不到返回字符串“N”。 1.需要按照字符串的字符组成顺序搜索，且搜索到的位置必须是相邻单元格，其中“相邻单元格”是指那些水平相邻或垂直相邻的单元格。 2.同一个单元格内的字母不允许被重复使用。 3.假定在数组中最多只存在一个可能的匹配。
华为OD机试 -ABR 车路协同场景（Java & Python& JS & C++ & C ）
题目的核心是为每个。
华为OD机试C卷-- 分披萨（Java & JS & Python & C）
"吃货"和"馋嘴"两人到披萨店点了一份铁盘（圆形）披萨，并嘱咐店员将披萨按放射状切成大小相同的偶数个小块。但是粗心的服务员将披萨切成了每块大小都完全不同奇数块，且肉眼能分辨出大小。 由于两人都想吃到最多的披萨，他们商量了一个他们认为公平的分法：从"吃货"开始，轮流取披萨。除了第一块披萨可以任意选取外，其他都必须从缺口开始选。 他俩选披萨的思路不同。"馋嘴"每次都会选最大块的披萨，而且"吃货"知道"馋嘴"的想法。 已知披萨小块的数量以及每块的大小，求"吃货"能分得的最大的披萨大小的总和。
华为OD机试双机位A卷 - 报文响应时间 (C++ & Python & JAVA & JS & GO)
华为OD机试双机位A卷 报文响应时间,提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解
华为OD机试C卷-- 字符统计及重排（Java & JS & Python）
给出一个仅包含字母的字符串，不包含空格，统计字符串中各个字母（区分大小写）出现的次数， 并按照字母出现次数从大到小的顺序。输出各个字母及其出现次数。 如果次数相同，按照自然顺序进行排序，且小写字母在大写字母之前。
华为OD机试C卷-- 亲子游戏（Java & JS & Python & C）
宝宝和妈妈参加亲子游戏，在一个二维矩阵（N*N）的格子地图上，宝宝和妈妈抽签决定各自的位置，地图上每个格子有不同的糖果数量，部分格子有障碍物。 游戏规则是妈妈必须在最短的时间（每个单位时间只能走一步）到达宝宝的位置，路上的所有糖果都可以拿走，不能走障碍物的格子，只能上下左右走。 请问妈妈在最短到达宝宝位置的时间内最多拿到多少糖果（优先考虑最短时间到达的情况下尽可能多拿糖果）。
Class AB OPA STB仿真相位异常：从corner case到碰撞电离的排查与规避
本文深入分析了Class AB运算放大器（OPA）在STB稳定性仿真中，特定工艺角（corner case）下出现相位从0°开始的异常现象。排查发现，其根本原因在于高Vds引发的碰撞电离效应，通过衬底和电源网络引入了隐藏的正反馈通路。文章对比了修改衬底连接与优化电路降低Vds两种解决方案，并基于工程实践推荐了代价更小、兼容性更好的电路优化方案，成功规避了问题并完成流片验证。
UIPath 获取网页元素做遍历点击的实现
UIPath 获取网页元素做遍历点击的实现
eDP接口信号组成认识
eDP接口信号主要由Main Link、AUXCH与HPD三部分组成，如下图所示。 Main Link:表示主通道，用来传输各类型视频数据和音频数据； AUX CH:表示辅助通道，用于传输低带宽需求的数据，以及链路管理和设备控制信号； HPD:表示热插拔检测通道。 Main Link南1～4对数据线组成，每对数据线都是一对差分线。对于一款液晶屏而言，Main Link具体需几对数据线，这取决于屏幕的分辨率和彩色位数。 在该通道中传送的信号有视频像素信号、视频定时信号、视频格式信号、比特／像素及
CANOE DIVA 工程怎样在具体服务前增加前置条件
然后会在CANoe的Test Module视窗中发现一个跟系统条件相关的Test Module模块，在该模块中有生成跟系统条件相关的CAPL 脚本。这里需要根据你的实际项目进行更改，diva工程加载到canoe的工程的时候，会同步加入你创建的cdd文件，这里示例的ABS_ESP 就是你的cdd的ECU命名，后面就是具体的前置条件服务。4、配置完成后，测试用例就会如下图Trace窗口所示，在每一次10 02请求之前都会调用CAPL Function的PreconditionCheck函数中定义的脚本。
【实战技巧】matplotlib中文标签显示问题的3种高效解决方案
本文详细介绍了解决matplotlib中文标签显示问题的3种高效方法，包括修改字体设置、临时指定字体和修改后端配置。针对不同操作系统和环境提供了实用技巧，帮助开发者快速解决中文显示为方框的常见问题，提升数据可视化效果。
thinkphp 微信商户转账到微信用户零钱(v3密钥版)（含SDK和文档）
一种是用v3密钥的接口:微信商户转账到零钱(听说是v2接口的微信商户容易被限制,后来就改成v3了)这几天做项目有一个需求,小程序用户提交记录后,商家后台审核通过自动转账到用户的微信零钱中.今天分享下如何实现自动打款,v3微信商户转账到零钱。接口返回状态查看原因。
WPF 上位机可视化天花板：HandyControl 搭建 SCADA 系统
HandyControl 凭借「丰富的工业级控件、灵活的主题定制、优异的性能」，成为 WPF 开发 SCADA 系统的首选 UI 库。本文搭建的 SCADA 系统涵盖实时监控、设备控制、报警管理、趋势分析四大核心功能，通过 HandyControl 实现了工业级可视化效果，开发效率提升 60% 以上。控件开箱即用：无需自定义仪表盘、趋势图、指示灯等 SCADA 核心控件；可视化效果专业：工业风主题、动态颜色切换、清晰的状态呈现，契合工业场景需求；
YOLO26涨点改进 | 损失函数改进篇 | 引入SlideLoss，适配尺度变化+遮挡+难易样本不平衡，手把手配置+实战案例
COCO-Hard是COCO数据集的复杂场景子集，包含80个类别，重点筛选多尺度、遮挡密集样本，其中小尺度目标（<32×32像素）占比42%，大尺度目标（>128×128像素）占比28%，遮挡目标占比57%，场景涵盖人群密集、车流拥堵、复杂工业环境，完美模拟真实复杂检测场景，适合验证SlideLoss的适配性。
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")
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
355
扫一扫
