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
100+累计阅读
197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
有一个特殊的5键键盘，上面有a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键。
a键在屏幕上输出一个字母a；
ctrl-c将当前选择的字母复制到剪贴板；
ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；
ctrl-v将当前剪贴板里的字母输出到屏幕；
ctrl-a选择当前屏幕上的所有字母。
注意：
给定一系列键盘输入，输出最终屏幕上字母的数量。
输入描述
输出描述
用例
| 输入 |
【华为OD机试真题】62、 5键键盘 | 机试真题+思路参考+代码解析（C++、Java、Py）
题目描述 >有一个特殊的5键键盘，上面有a，ctrl-c， ctrl-x， ctrl-v， ctrl-a五个键。 > a键在屏幕上输出一个字母a; > ctrl-c将当前选择的字母复制到剪贴板; > ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母; > ctrl-v将当前剪贴板里的字母输出到屏幕; > ctrl- a选择当前屏幕上的所有字母。 > 注意： 1、剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容 2、当屏
华为OD机试 - 5键键盘的输出（Java 2025 C卷 100分）
ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；该算法模拟了特殊的5键键盘的操作流程，根据输入的数字指令执行相应的操作，并记录屏幕上的字母。最后输出屏幕上字母的数量。输入为一行，为简化解析，用数字1 2 3 4 5代表a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键的输入，数字用空格分隔。，每一题都有详细的答题思路、详细的代码注释、样例测试，发现新题目，随时更新，全天优快云在线答疑。有一个特殊的5键键盘，上面有a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键。
华为OD机试 - 5键键盘问题全解（C++、Java、Python、JavaScript）
变量管理：无论在哪种语言中，都需要维护屏幕内容、剪贴板内容和选择状态的变量，这些变量共同决定了程序的逻辑流向。字符串操作：不同语言对字符串的处理方式不同，例如C++的string、Java的、Python的不可变字符串和JavaScript的字符串拼接方式，各有优劣。3.递归与迭代：虽然本题不涉及递归，但四种语言在处理复杂算法时，递归和迭代的选择往往会影响到程序的性能和可读性。在解决类似题目时，优化的关键在于减少冗余操作，尤其是针对大数据量的输入时，可以进一步优化字符串操作的效率。
【华为OD机试真题】62、 5键键盘 | 机试真题+思路参考+代码解析（C++、Java、Py、JS）
题目描述 >有一个特殊的5键键盘，上面有a，ctrl-c， ctrl-x， ctrl-v， ctrl-a五个键。 > a键在屏幕上输出一个字母a; > ctrl-c将当前选择的字母复制到剪贴板; > ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母; > ctrl-v将当前剪贴板里的字母输出到屏幕; > ctrl- a选择当前屏幕上的所有字母。 > 注意： 1、剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容 2、当屏
【2024年华为OD机试】(C卷,100分)- 5键键盘（Java & JS & Python&C/C++）
本题的核心在于处理多个状态（屏幕内容、剪贴板内容、选择状态）之间的交互关系。通过模拟键盘操作的过程，逐步更新屏幕内容，最终输出屏幕上字母的数量。这段代码模拟了一个特殊的5键键盘的操作，键盘上的键包括actrl-cctrl-xctrl-vctrl-a。通过处理一系列键盘输入，最终输出屏幕上字母的数量。这段代码模拟了一个特殊的5键键盘的操作，键盘上的键包括actrl-cctrl-xctrl-vctrl-a。通过处理一系列键盘输入，最终输出屏幕上字母的数量。这段代码模拟了一个特殊的5键键盘的操作，键盘上的键包括。
华为OD机试真题Java实现【5键键盘的输出】真题+解题思路+代码（2022&2023）
ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；说明 输入两个a后ctrl-a选择这两个a，再输入a时选择的两个a先被清空，所以此时屏幕只有一个a，后续的ctrl-a，ctrl-c选择并复制了这一个a，最后两个ctrl-v在屏幕上输出两个a，故屏幕上字母的长度为2（第一个ctrl-v清空了屏幕上的那个a）我们通过输入一个数字来控制屏幕输入的内容，1表示输入一个字符，2表示复制当前选中的内容，3表示剪切当前选中的内容，4表示粘贴剪切板中的内容，5表示选中当前屏幕输入的内容。
【华为OD机试真题】62、 5键键盘 | 机试真题+思路参考+代码解析（C语言、C++、Java、Py、JS）
>有一个特殊的5键键盘，上面有a，ctrl-c， ctrl-x， ctrl-v， ctrl-a五个键。 > a键在屏幕上输出一个字母a; > ctrl-c将当前选择的字母复制到剪贴板; > ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母; > ctrl-v将当前剪贴板里的字母输出到屏幕; > ctrl- a选择当前屏幕上的所有字母。 > 注意： 1、剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容 2、当屏幕上没有字
【华为OD机试真题E卷】62、 5键键盘 | 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E卷】62、 5键键盘 | 机试真题+思路参考+代码解析（C++、Java、Py） 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，如何备战华为od，华为od算法，华为od
【华为OD机试真题 Java语言】62、 5键键盘 | 机试真题+思路参考+代码解析
有一个特殊的5键键盘，上面有a，ctrl-c， ctrl-x， ctrl-v， ctrl-a五个键。 > a键在屏幕上输出一个字母a; > ctrl-c将当前选择的字母复制到剪贴板; > ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母; > ctrl-v将当前剪贴板里的字母输出到屏幕; > ctrl- a选择当前屏幕上的所有字母。 > 注意： 1、剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容 2、当屏幕上没有字母
【华为OD机试真题 JAVA】5键键盘的输出
标题：5键键盘的输出| 有一个特殊的5键键盘，上面有a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键。a键在屏幕上输出一个字母a；ctrl-c将当前选择的字母复制到剪贴板；ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；ctrl-v将当前剪贴板里的字母输出到屏幕；ctrl-a选择当前屏幕上的所有字母。注意：1 剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容2 当屏幕上没有字母时，.......
【免费题库】华为OD机试 - 5键键盘（Java & JS & Python & C & C++）
## 题目描述 有一个特殊的5键键盘，上面有a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键。 a键在屏幕上输出一个字母a； ctrl-c将当前选择的字母复制到剪贴板； ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母； ctrl-v将当前剪贴板里的字母输出到屏幕； ctrl-a选择当前屏幕上的所有字母。 注意： 剪贴板初始为空，新的内容被复制到剪贴板时会覆盖原来的内容 当屏幕上没有字母时，ctrl-a无效 当没有选择字母时，ctrl-c和ctrl-x无效 当有字母被
华为OD机试(JS,C++,JAVA,PYTHON)-5键键盘
题目中没有准确说明 选择状态 何时被解除，比如我ctrl-a全选所有字母时，然后ctrl-c将选择的字母复制到剪贴板，那么此时屏幕中字母的选中状态是保留还是清除呢？有一个特殊的5键键盘，上面有a，ctrl-c，ctrl-x，ctrl-v，ctrl-a五个键。输入两个a后ctrl-a选择这两个a，再输入a时选择的两个a先被清空，所以此时屏幕只有一个a，后续的ctrl-a，ctrl-c选择并复制了这一个a，最后两个ctrl-v在屏幕上输出两个a，ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；
华为OD机试 -5键键盘的输出（Java） | 机试题+算法思路+考点+代码解析 【2023】
ctrl-x将当前选择的字母复制到剪贴板，并清空选择的字母；说明 输入两个a后ctrl-a选择这两个a，再输入a时选择的两个a先被清空，所以此时屏幕只有一个a，后续的ctrl-a，ctrl-c选择并复制了这一个a，最后两个ctrl-v在屏幕上输出两个a，故屏幕上字母的长度为2（第一个ctrl-v清空了屏幕上的那个a）我们通过输入一个数字来控制屏幕输入的内容，1表示输入一个字符，2表示复制当前选中的内容，3表示剪切当前选中的内容，4表示粘贴剪切板中的内容，5表示选中当前屏幕输入的内容。
Conda报错急救指南：遇到Malformed version string ‘~‘怎么办？（附最新解决方案）
本文深度解析Conda报错`Malformed version string '~'`的根源与解决方案。该错误通常由版本字符串解析异常或Conda版本过旧引起。文章提供了从清理缓存、针对性升级到环境重建的完整修复流程，并强调了升级Conda至最新版本是解决此类`CondaValueError`问题的根本方法，帮助开发者高效恢复工作环境。
3个PLC进阶教程实战项目，学完立即接私单！
此处应插入清晰的硬件电路图，包含土壤湿度传感器、水泵、PLC的输入输出端子，并标注清晰的接线方式。同样的，也需要插入清晰的梯形图，用简单的逻辑表达控制过程，比如：土壤湿度传感器信号低于设定值 -> PLC输出信号 -> 水泵启动。我是老王，一个在自动化行业摸爬滚打多年的老工程师，今天咱们不聊那些枯燥的理论，直接上手三个PLC进阶实战项目，学完保证你信心满满，立马就能接私单！想想你家里的空调，它也是通过检测室温，并根据设定的温度进行制冷或制热，这个项目就是类似的原理。
2D激光slam数据集的下载与测试
参考博客： https://blog.youkuaiyun.com/qq_24894159/article/details/81265991 https://blog.youkuaiyun.com/fk1174/article/details/52673413#commentBox 数据集下载与生成 下载数据集 下载网址： http://ais.informatik.uni-freiburg.de/slamevaluation/datasets.php 进去网站后点你想下载的对应的"download log file" 然后你
基于Solidworks的三维光路结构示意图绘制实例演示-技术细节
基于Solidworks的三维光路结构示意图绘制实例演示-技术细节
【C语言】程序员筑基功法——《函数栈帧的创建与销毁》
汇编角度带你走进函数栈帧
166、电流环带宽测试
本文分享了电流环带宽测试的实战经验，揭示了常见误区：误将系统其他环节（如PWM、ADC、传感器）的延迟当作电流环性能。强调带宽测试需先断开速度/位置环，采用扫频法注入正弦信号，结合伯德图分析幅值与相位响应。关键点包括：控制频率步进为对数、确保采样时序精准、避免传感器带宽限制影响结果。文中指出“假带宽”现象（如鼓包、增益超0dB）多源于非线性或机械共振，建议遵循“先开环后闭环”“带宽非越高越好”“阶跃验证”三原则，并建立出厂基准曲线以支持后期故障诊断。
手机银行应用架构设计
网上银行借助互联网、移动通信网络等技术向客户提供金融服务，易受到通讯层面的安全威胁，金融机构应从通讯协议、安全认证、通信链路安全等层面，采取措施有效应对相关风险。网上银行系统服务器端提供网上银行应用服务和核心业务处理功能，金融机构应充分利用物理环境、通信网络、计算环境等领域的防护技术，在攻击者和受保护的资源间建立多道严密的安全防线。 网上银行除直接向用户提供金融服务外，也可能与外部机构开展业务合作。在网上银行系统设计、开发、部署和运营过程中，应充分考虑外部机构的系统可能存在的安全风险，并针对各类风险进行有效
把数据库事务边界握在手里：ABAP 里的 COMMIT CONNECTION 与 ROLLBACK CONNECTION 深度拆解
与表面是两条很短的语句，背后却牵动了连接管理、数据库 LUW、SAP LUW、隐式提交、游标生命周期、GTT 平台差异等一整片工程现实。把它们用对，你就能在不破坏主业务事务的前提下，实现跨库写入、审计落库、隔离型日志、数据集成落地等一系列“看似矛盾”的目标；用错了，它们也会悄无声息地制造一致性缺口，让问题在高峰期以 dump 或数据异常的方式爆出来。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
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")
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
1225
扫一扫
