相关推荐
【100分-字符串摘要】(题目+思路+Java&C++&Python解析+在线测试)
对按照以上方式表示后的字符串进行排序:字母和紧随的数字作为一组进行排序,数字大的在前,数字相同的,则按字母进行排序,字母小的在前。如果是非连续的字符(不区分大小写),则输出:该字符(小写) + 该字母之后字符串中出现的该字符的次数。如果出现连续字符(不区分大小写) ,则输出:该字符 (小写) + 连续出现的次数。给定一个字符串的摘要算法,请输出给定字符串的摘要值。给定一个字符串的摘要算法,请输出给定字符串的摘要值。非连续字母,该字母之后字符串中还出现了。非连续,该字母之后字符串再没有出现过。
【100分-单词接龙】(题目+思路+Java&C++&Python解析+在线测试)
在这个单词接龙问题中,给定一个起始单词及一组单词,要求根据特定规则构建一个单词串。规则是:下一个单词的首字母必须与上一个单词的尾字母相同,并且在可选单词中,优先选择长度最长的,若长度相同则选择字典序最小的,已使用的单词不能重复。输入包括一个非负整数K表示起始单词的索引、一个非负整数N表示单词的数量,以及接下来的N个单词。输出是拼接后的单词串。现给定一组全部由小写字母组成单词数组,并指定其中的一个单词作为起始单词,进行单词接龙,请输出最长的单词串,单词串是单词拼接而成,中间没有空格。开头的且长度最长的单词。
【100分-工号不够用了怎么办】(题目+思路+Java&C++&Python解析+在线测试)
在3020年,空间通信集团的员工人数突破20亿人,导致现有工号不够用。,由于每个位置可以是任意小写字母(共26个),因此字母部分可以生成的组合数为。继承历史传统,新的工号系统由小写英文字母(但是过长的工号会增加同事们的记忆成本,现在给出新工号至少需要分配的人数。:每个工号由字母和数字组合而成,假设数字部分的长度为。新工号由一段英文字母开头,之后跟随一段数字,比如”亿人,即将遇到现有工号不够用的窘境。,求新工号中数字的最短长度。,求新工号中数字的最短长度。,那么数字部分的组合数为。和新工号中字母的长度。
【100分-字符串加密】(题目+思路+Java&C++&Python解析+在线测试)
通过对字符串的每一个字母进行改变来实现加密。加密方式是将字符串中每个字母。,通过对字符串的每一个字母进行改变来实现加密,加密方式是在每一个字母。每组测试数据输出一行,表示字符串的密文。组测试数据,每组数据包含一行,原文。给你一串未加密的字符串。给你一串未加密的字符串。
【100分-恢复数字序列】(题目+思路+Java&C++&Python解析+在线测试)
给定一个由连续正整数组成的序列,首先将这些数字拼接成一个字符串,然后将字符串中的部分字符打乱顺序。现给定打乱后的字符串和序列的长度,要求还原出原始的连续正整数序列,并输出序列中最小的数字。输入一行,为打乱字符的字符串和正整数序列的长度,两者间用空格分隔,字符串长度不超过200,正整数不超过1000,保证输入可以还原成唯一序列。:题目中提到“打乱一部分字符”,但从示例来看,实际上字符串的所有字符都可能被重新排列。现给定一个按如上规则得到的打乱字符的字符串,请将其还原成连续正整数序列,并输出序列中最小的数字。
【100分- 寻找密码】(题目+思路+Java&C++&Python解析+在线测试)
小王在进行游戏大闯关,有一个关卡需要输入一个密码才能通过,密码获得的条件如下:在一个密码本中,每一页都有一个由26个小写字母组成的若干位密码,每一页的密码不同,需要从这个密码本中寻找这样一个最长的密码,从它的末尾开始依次去掉一位得到的新密码也在密码本中存在。请输出符合要求的密码,如果有多个符合要求的密码,则返回字典序最大的密码。若没有符合要求的密码,则返回空字符串。
【100分-猜字谜】(题目+思路+Java&C++&Python解析+在线测试)
那么可以直接排序去重判断是不是相等的数据只有1000那么两两匹配即可,枚举谜面的单词,在嵌套一层循环判断是不是跟谜底单词相等,相等输出即可,如上述没有输出,输出一个"not found".详细请见代码。请你写一个程序帮忙在谜底库中找到正确的谜底。谜面是多个单词,都需要找到对应的谜底,如果找不到的话,返回"not found",玩家需要猜出谜底库中正确的单词。对于两个字符串变换顺序后顺序是一样的,和字母去重以后是一样的表示猜中谜底。小王设计了一个简单的猜字谜游戏,游戏的谜面是一个错误的单词,比如。
【100分-TLV解码】(题目+思路+Java&C++&Python解析+在线测试)
然后给你一个字符串,对于每一段码流,第一个字符串表示当前的。码流字符串的最大长度不超过。,第二个字符串和第三个字符串的十六进制组合表示长度。输入的第一行为一个字符串,表示待解码信元的。进制字符中,不包括小写字母,且要求输出的。输入的第二行为一个字符串,表示待解码的。格式进行编码的,,一段码流中的信元用。固定占两个字节, 字节序为小端序。格式编码的码流,以及需要解码的信元。所以返回长度后面的两个字节即可,即。输出一个字符串,表示待解码信元以。进制码流,字节之间用空格分隔。从码流的起始处开始匹配,
【100分-最长子字符串的长度(一)】(题目+思路+Java&C++&Python解析+在线测试)
给你一个字符串 sss ,首尾相连成一个环形,请你再环中找出 ‘ooo’ 字符出现了偶数次最长字符串的长度输入为一个小写字母组成的字符串。(1≤s.length≤5×1051 \le s.length \le 5 × 10^51≤s.length≤5×105)输出是一个整数。输入 输出 说明:最长字符串之一是"alolobalolobalolob",它包含 222 个’ooo’。输入 输出 说明:最长字符串"oxdolxl",由于是首尾连接一起的,所以最后一个 ‘xxx’和开头的 ‘lll’是连接在一起的,
【100分- 寻找关键钥匙】(题目+思路+Java&C++&Python解析+在线测试)
小强正在参加《密室逃生》游戏,当前关卡要求找到符合给定 密码K(升序的不重复小写字母组成) 的箱子,并给出箱子编号,箱子编号为1N。每个箱子中都有一个 字符串s,字符串由大写字母、小写字母、数字、标点符号、空格组成,需要在这些字符串中找到所有的字母,忽略大小写后排列出对应的密码串,并返回匹配密码的箱子序号。提示:满足条件的箱子不超过1个。
【100分- 字符串重新排序】(题目+思路+Java&C++&Python解析+在线测试)
对于每个单词,如果该单词中不包含大写字母,则将单词中的字母按字典序重新排序;:按照排序后的顺序,将单词重复其出现的次数,拼接成最终的输出字符串,每个单词之间用空格分隔。最后,输出处理后的字符串,每个单词以一个空格分隔。1、单词内部调整:对每个单词字母重新按字典序排序。请输出处理后的字符串,每个单词以一个空格分隔。1)统计每个单词出现的次数,并按次数降序排列。输出处理后的字符串,每个单词以一个空格分隔。包括以空格分隔的若干个单词,请对。包括以空格分隔的若干个单词。:统计每个处理后的单词出现的次数。
【100分- 获得完美走位】(题目+思路+Java&C++&Python解析+在线测试)
在第一人称射击游戏中,玩家通过键盘的ASDW四个按键控制游戏人物分别向左、向后、向右、向前进行移动,从而完成走位。假设玩家每按动一次键盘,游戏任务会向某个方向移动一步,如果玩家在操作一定次数的键盘并且各个方向的步数相同时,此时游戏任务必定会回到原点,则称此次走位为完美走位。ASDA),请通过更换其中一段连续走位的方式使得原走位能够变成一个完美走位。其中待更换的连续走位可以是相同长度的任何走位。请返回待更换的连续走位的最小可能长度。如果原走位本身是一个完美走位,则返回0。
【100分-一种字符串压缩表示的解压】(题目+思路+Java&C++&Python解析+在线测试)
有一种简易压缩算法,针对全部由小写英文字母组成的字符串,将其中连续超过两个相同字母的部分压缩为连续个数加该字母,其他部分保持原样不变。现要求编写一个解压函数,根据输入的字符串判断其是否为合法的压缩过的字符串。输入为一个长度不超过100个字符的ASCII字符串,输出如果输入合法则为解压缩后的字符串,若输入不合法则输出字符串“!请您编写解压函数,根据输入的字符串,判断其是否为合法压缩过的字符串,若判断输入为合法的经过压缩后的字符串,则输出压缩前的字符串;若输入合法则输出解压缩后的字符串,否则输出字符串“
【100分-数大雁】(题目+思路+Java&C++&Python解析+在线测试)
该题目的目标是通过模拟大雁的叫声来找出所需的最少大雁数量.$\$观察到字符串的长度只有1000(最多200*‘quack’),考虑暴力模拟,枚举第几只大雁,用指针遍历叫声顺带vis数组标记(一只大雁可能循环的quackquack…)已经被使用过,所以尽可能的打上凑更多的完整叫声直到无法完整的凑出’quack’输出答案即可。一群大雁往南飞,给定一个字符串记录地面上的游客听到的大雁叫声,请给出叫声最少由几只大雁发出。“,因为有多只大雁同一时间嘎嘎作响,所以字符串中可能会混合多个”1.大雁发出的完整叫声为”
【100分-字符串分割】(题目+思路+Java&C++&Python解析+在线测试)
对于新组成的每一人子串,如果它含有的小写字母比大写字母多,则将这个子串的所有大写字母转换为小写字母,反之,如果它含有的大写字母比小写字母多,则将这个子的所有小写字母转换为大写字母,大小写字母的数量相等时,不做转换。根据题意进行模拟即可,首先需要把第一个子串单独存储,然后把后面用分隔符隔开的子串先合并成一个子串,然后再按照长度。个字符组成新的子串,并用 ‘-’ 分隔。,要求除第一个字串外,其余的子串每。,第一个子串保留,后面的子串每。,第一个子串保留后面的子串每。个,不做转换,连起来即。
【100分-关联子串】(题目+思路+Java&C++&Python解析+在线测试)
要解决这个问题,我们可以利用滑动窗口和字符计数的技巧。中的字符,经过排列组合后的字符串中,只要有一个字符串是。若不是关联子串,则返回。的组合子串,请返回最小的起始位置。输入两个字符串,分别为题目中描述的。中的字符经过排列组合后,字符串。”字符串中三个字母的各种组合(的关联子串,请返回子串在。的关联子串,请返回子串在。的关联子串,请返回子串在。若不是关联子串,则返回。若不是关联子串,则返回。中均不包含,因此返回。
【100分- 箱子之字形摆放】(题目+思路+Java&C++&Python解析+在线测试)
有一批箱子(形式为字符串,设为str), 要求将这批箱子按从上到下以之字形的顺序摆放在宽度为n的空地,请输出箱子的摆放位置。例如:箱子ABCDEFG,空地宽度为3,摆放结果如图:AFGBECD。
【100分-智能成绩表】(题目+思路+Java&C++&Python解析+在线测试)
可以定义一个结构体数组,里面存储学生的姓名和每一个科目的分数,然后根据题目给定的排序规则,自定义排序即可。注意:如果科目不存在,需要按照总分进行排序。
【嵌入式面经】上海 70迈 线上笔试
“关注|点赞|收藏” 福利干货第一时间送达!最近在做免费的嵌入式知识分享,帮助对嵌入式感兴趣的同学学习嵌入式、做项目、找工作!
解决Cursor AI工具地域限制报错的方法与原理
地理围栏(GEO-fencing)是现代云服务常用的访问控制技术,通过IP地址库匹配、支付系统验证等方式实现区域限制。在AI编程工具领域,这种技术常导致类似Cursor出现的'unsupported country region'报错。从技术实现看,服务商会综合HTTP头信息、时区设置等多维度数据进行地理位置判断。开发者可通过调整网络出口、配置本地模型或使用企业版等方案解决。本文以Cursor为例,详细分析了AI工具地域限制的底层原理,并提供了包括Ollama本地部署在内的多种工程实践方案,特别适合需要稳定
从内外参推导IPM变换方程及代码实现(生成AVM环视拼接图)
最近想实现AVM拼接,看了不少博客和论文,不过比较愚钝,一直没能很好理解原理,尤其是怎么在实现时把下文中Z1和Z2消除的,所以严谨的推导了一下对应的公式,如有不对,水平有限,烦请指出~IPM变换(逆透视变换),顾名思义,即将正常透视效应消除的变换,变换结果为鸟瞰图BEV(俯视图);AVM环视拼接一般是将车身前后左右的四个鱼眼相机拼接成环视图(也是俯视),其使用的单应矩阵将四个相机转到同一个俯视坐标系。
保姆级教程:手把手教你为STM32F407和W25Q128制作Keil MDK的SPI Flash下载算法(FLM文件)
本文提供了一份详细的教程,指导开发者如何为STM32F407和W25Q128制作Keil MDK的SPI Flash下载算法(FLM文件)。从理解下载算法的核心机制到实现FlashPrg.c的核心操作,再到链接脚本与地址映射实战,手把手教你完成定制化SPI Flash下载算法的开发与优化。
Unity2D像素刀光实现:粒子方向控制与像素级渲染规范
像素风游戏中的刀光特效并非普通粒子动画,而是需严格遵循像素艺术原理的视觉暂留模拟。其核心在于将‘瞬时切割感’转化为程序可执行的渲染逻辑:通过禁用纹理滤波保障1:1像素锐度,绑定刀锋向量控制粒子运动方向,限定≤0.15秒生命周期匹配人眼暂留阈值,并采用Stretched Billboard实现动态拉伸拖影。该方案兼顾美术语义(如直劈、横扫、突刺)与工程约束(Sorting Layer分层、对象池复用、单粒子GPU优化),广泛适用于Unity2D平台的动作反馈系统,尤其适配《空洞骑士》《死亡细胞》类高节奏像素R
库卡机器人外部轴配置全流程:从接线到WorkVisual 6.0实战(附避坑指南)
本文详细解析了库卡机器人外部轴配置的全流程,涵盖从硬件接线到WorkVisual 6.0软件配置的实战步骤。重点介绍了KPP驱动模块连接、电机参数匹配、安全配置激活及零点标定等关键环节,并提供了实用的避坑指南,旨在帮助工程师高效、安全地完成外部轴集成,提升工作站柔性。
畅游Diffusion数字人(0):专栏文章导航
畅游Diffusion数字人(0):专栏文章导航
YOLOv12模型详解及代码复现
YOLOV12算法详解及Python代码复现
ET2012新版免狗免安装绿色软件
ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)
迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)
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")
订阅专栏 解锁全文
363



被折叠的 条评论
为什么被折叠?



