今天校赛。
过了两道最水的水题:J题,少华在wa得不明不白的情况下我发现了她错在哪里;A题,那道是我敲的,难得的1a。。。然后e那道水题,好长描述,在有人做出来前我就发现是水题了,可惜我们到最后都没做出来。。。
总结:这场我们学校算是全军覆没。。阿大那队意料之中地第一。。大家都说题目出得很好,比如,G题就是一道“八竿子打不着边的居然是你妹的网络流!!!”
结论:做的题目太少,见过的世面不够,不过值得肯定的,是我们对自己的定位&&心态的调整。ZxZ加油加油!!!~
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
600+累计阅读
698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 →
码龄16年
今天校赛。
过了两道最水的水题:J题,少华在wa得不明不白的情况下我发现了她错在哪里;A题,那道是我敲的,难得的1a。。。然后e那道水题,好长描述,在有人做出来前我就发现是水题了,可惜我们到最后都没做出来。。。
总结:这场我们学校算是全军覆没。。阿大那队意料之中地第一。。大家都说题目出得很好,比如,G题就是一道“八竿子打不着边的居然是你妹的网络流!!!”
结论:做的题目太少,见过的世面不够,不过值得肯定的,是我们对自己的定位&&心态的调整。ZxZ加油加油!!!~
别再纠结选哪个向量库了!我用Spring AI + Redis Stack 7.2,5分钟搞定企业知识库RAG原型
本文介绍了如何利用Spring AI和Redis Stack 7.2快速构建企业级RAG应用,解决向量数据库选型难题。Redis Stack 7.2集成了RediSearch模块,支持向量相似性搜索,具备高性能、低成本、零学习成本等优势,特别适合中小团队快速搭建知识库系统。通过实战代码示例,展示了从环境准备到核心功能实现的完整流程。
T-Shirt Hunt
微软机器翻译+人工不久前, Codecraft-17 的比赛在 Codeforces 举行。排名前25名的参加者和另外随机在前500名的25人,将收到 Codeforces t恤衫。 不幸的是, 您没有成功进入前 25, 但您进入了前 500, 排名 p。 现在, 8VC 冒险杯2017的淘汰回合正在举行。已宣布, Codecraft-17 t恤优胜者将选择如下。让 s...
rk3576之imx415 4k@60fps
1;0;1;0;1;0;1;0;1;0;1;0;1;0;
pta团体程序设计天梯赛答案_S2秋季赛决赛大幕已经拉开!天赐&掘开会师明日决赛!...
10月30日(明天)17:00,S2秋季赛决赛准时开战,巅峰对决大幕已经拉开!天津菁英荟VS广东N5俱乐部!两队战胜了其余所有强敌,至此,战场只剩彼此!一起期待这场荣耀加冕之战!S2秋季赛决赛爆点十足,小编总结出了三大看点,一起了解一下!开天辟地组合终有一战2018年时有一支横空出世的强队,名为天津竞技二打一!队中高手济济,一路横扫直取亚军!其中发挥最亮眼的两位,便是天赐和掘开!...
跨阻放大器(TIA)的输入输出阻抗的定义、分析和影响因素
跨阻放大器(Transimpedance Amplifier,简称TIA)是一种常用于将电流信号转换为电压信号的放大器。在TIA电路中,输入阻抗是指输入端对电流信号的响应能力,输出阻抗是指输出端对负载电阻的驱动能力。本文将分别介绍TIA的输入和输出阻抗的定义、分析以及影响因素。
CTS实战:如何用set_sense优化时钟树平衡(附ICC2避坑指南)
本文深入探讨了在时钟树综合(CTS)中,如何正确使用`set_sense`命令优化时钟树平衡,并对比了其与`set_disable_timing`的本质区别。通过实战案例详细解析了`-stop_propagation`和`-clock_leaf`参数的应用场景,并提供了ICC2工具中的关键避坑指南,帮助后端工程师精准控制时钟拓扑,避免时序分析漏洞。
漂亮的数据对比分析图_「数据对比」2010-2011赛季NBA总决赛小牛夺冠数据对比分析...
前言2011年6月13日,NBA2010-2011赛季落下帷幕,从此也诞生了NBA历史上的经典总决赛系列。本次总决赛系列,独行侠(当年小牛,后称:小牛)与热火进行了6场激烈的角逐,达拉斯小牛队最终以4:2的总比分战胜了迈阿密热火三巨头,建队30年来首次捧起来了NBA的总冠军奖杯。热火与小牛比赛结果本文通过对总决赛6场比赛数据进行的统计,客观的比较小牛队和热火队6场比赛的临场技术统计各项指标存在的差...
AutoSAR配置与实践(深入篇)5.4 OS原理(下 )- 内存保护(MPU)
ECU可能由内部模块、第三方模块等各模块集成的。需求对每个模块所定义的安全等级可能有差异,需要考虑不同安全等级的模块和代码间减少相互干扰,防止程序错误传播。可以理解为包含Task、Alarm、Counter、Schedule table、ISRs、Event等基本对象的容器,用于隔离Task/Alarm等,进行内存保护。
2011季后赛
http://my.hoopchina.com/zhangjiawei/blog/4904089.html 2011年总决赛:一样苦熬,两代价值观·“话说你还相信爱情吗?” 热队干掉公牛后,我就开始被各路朋友问:“觉得总决赛结果如何?”你懂得类似情景,大家都会先反问一句的“你先说?”一群大老爷们就像少年动漫里学弟跟学姐表白一样低头红半天脸,然后从鼻孔里冒出一两缕声音来。我这里一大片都是这么...
Claude Code(8):使用 skill-creator 打造属于测试人员的 Skills
本文介绍了如何使用Claude Code的skill-creator工具快速创建测试相关的Skills。skill-creator是一个专门用于创建新Skills的Skill,相比手动创建更高效。文章详细演示了安装skill-creator的步骤,并通过创建"测试计划编写助手"的实战案例,展示了如何通过对话方式定义Skill名称、触发条件和功能需求。skill-creator会自动生成完整的SKILL.md文件和目录结构,用户只需确认即可完成Skill创建。
关于DEJA_VU3D - Cesium功能集专栏说明
专栏主要目的是对工作中基于Cesium实现过的功能进行整合,暂时打算一周2-3更的样子来更新,每一篇都会奉上完整源代码(尽可能把代码简洁一些)。功能实现大多数是自己琢磨实现的,也有参考其他大神后整理实现的,初步算了算现在有差不多实现小130个左右的功能,后续也会不断的更新。..........................................
没有喜悦的今晚—记2011英锦赛1/4决赛
竟然就这样结束了。 我苦苦等待的147呢?我苦苦期盼的超级逆转呢?我信誓旦旦的那个打赌呢?很显然,小丁输了,2:6的大比分。我也又输了,0:2的大比分,可是我是真的看好中国神童的,约克小镇可是丁俊晖的福地呃,怎么在自己的福地都这样呢?前几轮的惊心动魄没有在今晚上演。 记得看新闻的时候,不知道是哪个记者大放厥词,说是丁俊晖在没有手感的时候依然可以挺进8强,并有一杆单杆133的高分,说这是丁俊晖正
Unity之OpenXR+XR Interaction Toolkit实现 Gaze眼部追踪
在虚拟现实(VR)和增强现实(AR)应用中,眼动追踪是一项强大而受欢迎的技术。它可以让开发者更好地理解用户的注意力和行为,并创造出更加沉浸和智能的体验。在本文中,我们将探讨如何使用 Unity OpenXR 实现Gaze眼部追踪功能。
2011蓝桥杯Java决赛 连通问题
这周五要进行蓝桥杯的决赛了,把去年的题目做了一下,第五题 连通问题:分享一下: 题目: BMP是常见的图像存储格式。 如果用来存黑白图像(颜色深度=1),则其信息比较容易读取。 与之相关的数据: (以下偏移均是从文件头开始) 偏移:10字节, 长度4字节: 图像数据真正开始的位置。 偏移:18字节, 长度4字节: 位图的宽度,单位是像素。 偏移:22字节, 长度4字节: 位图的高度,单
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。
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。
第jiu届蓝桥杯单片机省赛真题_历年省赛与国赛试题及其解析 (1) 第九届蓝桥杯单片机设计与开发省赛题目fbdfsbfsb - 下载 - 搜珍网...
压缩包 : b060a8ea3964df7b76dd6b19084e75.zip 列表题/题/历届决赛/题/历届决赛/1.第三届决赛_ 门禁系统 .pdf题/历届决赛/2.第四届决赛_ 超声波测距报警实时时钟电路 .pdf题/历届决赛/3.第五届决赛_多功能事件记录器.pdf题/历届决赛/4第六届决赛_智能物料传送系统.pdf题/历届决赛/5.第七届决赛_电压频率采集设备.pdf题/历届省赛/题/...
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。
你好,2011!——梦想在这里起航
2010年,过的就像一场梦!2011注定也是一场梦,现在只是这场梦才开始。在这年初之际,定下几个目标——1. 大三学年末拿校一等奖学金 难度系数:★★ 有人说“不想拿奖学金的学生不是好学生!”我并不这么认为的,我一直认为“一心只想拿奖学金的学生不是好学生”。大学学的是真本领,而不是只知道做题考试。但是学本领和学习又不矛盾,只要学习态度好,咱不求国奖,一个校级奖学金拿拿我觉得难度还不是太大。我从来没有太看重奖学金,不过能拿也就顺手拿了,至少也能证明自己在学校不是鬼混过来的。但是,为什么我又
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")
2011 ACM-ICPC世界总决赛试题分析8-11
8 #include #include #include #include #include #include #include #include using namespace std; #define PB push_back typedef long long LL; int N,M,tot; int First[100009],Next[100009],Node[100009]; i
GCJ Japan 2011 决赛 B 题解《挑战程序设计竞赛》
为什么80%的码农都做不了架构师?>>> ...
大二物竞金牌转北大计算机,2011年第28届全国中学生物理竞赛决赛金牌选手去向表...
该楼层疑似违规已被系统折叠隐藏此楼查看此楼2011年全国中学生物理竞赛决赛于10月29日至11月3日在西安交通大学举行。来自全国31个省市自治区的280名优秀选手参加决赛。经组织委员会评定,最终评出50人获金牌、96人获银牌、134人获铜牌。现将获金牌选手的名次,姓名,来源中学及保送大学情况列表如下,还有部分获金牌选手的保送大学情况不明,望知情者补充。第一名 舒驰 湖北华中师大一附...
清华世界计算机大赛,全球计算机ACM总决赛浙大第一名,密西根大学第二,清华第三...
浙江大学获ACM-ICPC World Finals2011冠军导读:(其他名校:美国UMICH第二,中国清华大学第三,另外几个世界著名大学名次如下:卡耐基梅隆大学(计算机牛校)CMU13MIT(麻省理工,地球第一理工牛校) 27东京大学(亚洲第一牛校) 27Princeton(全球本科+理科第一牛校) 42)进入前20的中国名校还有并列13的台湾国立大学、上海交通大学、北京大学、香港中文大学和中...
世界总决赛的晋级名单
2011 Asia Teams advanced to 2012 World Finals in Warsaw 2011-12-29 22:11 Asia Teams Qualified for 2012 World Finals and the Calculation (37 universities). (This list is waiting for the approv...
使用新人,以赛代练
北京时间2011年12月4日凌晨,2011年英锦赛结束了首日第一轮6场比赛,丁俊晖在经历了一场苦战之后在决胜局淘汰马克戴维斯,晋级第2轮,中国神童第2轮对手将是马修-斯蒂芬斯,后者在与坎贝尔比赛中打出了两破百,三杆50+,轻松击败对手。 或许马修-斯蒂芬斯与坎贝尔两人的比赛并不会受到国人太多关注,但这场比赛却创造中国另一项记录,执法这场比赛的裁判是被誉为中国第一美女裁判诸瑛,这是诸瑛职业
2011 ACM/ICPC 湖南区域赛
<br /> 最近三个星期连着参加了三次比赛。第一次是全国专业软件人才什么什么的比赛,比赛完后感觉题目还是挺简单的,不过也还是有一个题目没解出来,接过要好像6月份才能出来,唯一期待的是初赛过后北京的决赛,不管怎么还是希望自己这次能过吧,不说决赛怎么样,但至少了一起去北京玩一趟了哈....第二次是湘潭的一个邀请赛,参加比赛的队伍不多,并且貌似强队不怎么多,虽然得了个一等奖,但感觉也还挺虚的,感觉和那些大牛的距离还太大太大.... 最近一次就是昨日在湖大的邀请赛,不止湖南的,外面的名校也有些来了的,参加必死啊
2011 acm-icpc world final 亚洲队伍出线名单
<br />(Total 35 teams; 2010 Host universities are selected only if they are very close to qualified lines. But no preference is applied to any team this year. ) <br />(x/y : x = points used for the site; y = slots calculated from ICPC registration and the
英雄联盟S赛确定将在上海举办,手握独播B站面临大考
2020年的《英雄联盟》全球总决赛距离我们越来越近了。8月1日,拳头游戏(Riot Games)正式宣布今年的S赛将于9月25日至10月31日在上海举办。同时,他们还宣布,哔哩哔哩(以下简称"B站")与拳头游戏(Riot Games)共同宣布达成英雄联盟全球赛事战略合作,B站正式获得中国大陆地区连续三年的全球赛事独家直播版权。 对于B站来说,意味着他们即将迎来一场大考。这将是S赛自2011年开始举办以来,首度有视频网站获得这项赛事某一地区的独家转播权。同时,这也几乎是B站成立以来,在某项赛事的视频版权
【NBA】【传奇巨星】科比、邓肯、奥尼尔、詹姆斯总决赛经历
詹姆斯的10次征程体现了其空前的持久性和稳定性。邓肯的6次总决赛5次夺冠,则彰显了其极高的效率和团队的成功。科比的5枚戒指贯穿了其职业生涯,从双核到领袖,角色在变,好胜心未变。奥尼尔则用三连冠和三次FMVP,定义了何为篮下的绝对统治力。
970
5717
571

被折叠的 条评论
为什么被折叠?



