唉——

最新推荐文章于 2024-04-30 10:13:47 发布
最新推荐文章于 2024-04-30 10:13:47 发布
阅读量336 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/czysjr/article/details/40264393
版权

还有半个月就要考NOIP了， 前段时间总想着还远呢还远呢， 真正地到了眼前才发现一切竟然已经来不及了。

总觉得NOIP应该是很水的， 到了现在发现我现在还有很多东西就是不能自己想出来， 就是会写错！！！！！！！！

我怎么这样弱啊！！！！！！！！！！！！！

这半个月我就放弃文化课了吧。 星期五与班主任进行了三小时深度交谈，，觉得他说的很对， 我不应该总是追求那些面子上的好看， 期中考试考得好对于我有什么意义！？ 我总是放不下， 放不下他人的眼光， 放不下自己曾经的光环， 放不下面子放不下名声 —— 终究是我太片面太肤浅了！

NOIP的真题我都有不少道还没做呢， 这不是作死吗！ 这个星期务必把它们做完。

另外， 要对NOIP范围内的基础算法做好全面的总结， 就像我没做那一系列的题永远不知道自己对并查集的理解是那样的不深刻 ！ 这两天就接着前段时间没整理完的最短路继续整理吧！

突然发现其实作为NOIP难度的训练的话， vijos 真的是很好的， 题目都比较的有意义而且难度合适， 按照上面的分类需要对我的弱项进行巩固！！

比如说我一向有心理阴影的搜索，经常会写错的状压DP， 总是记不住的数学什么的。

每个模块的强化训练时务必要把那些难度星级比较高的都做了啊！！

czysjr
关注
专栏目录
图——课上课后练
Junds0的博客
05-14 2154
第1关：图的邻接矩阵存储及图初始化 本关任务：根据下面的描述和要求，完成图的邻接矩阵数据结构定义，及图初始化函数。 #include <stdio.h> #include <stdlib.h> #define N 6 #define MAX 999 //邻接矩阵数据结构 typedef struct{ int vcount;//顶点数 int type ;//0 无向图，1 有向图 char vexs[N] ; // 顶点信息 int arc
入栏需看——全国硕士研究生入学统一考试管理类专业学位联考
stqer的博客
06-12 2329
管理类联考•逻辑——解题技巧汇总2010 年一月联考逻辑真题 2011 年一月联考逻辑真题 2012 年一月联考逻辑真题 2013 年一月联考逻辑真题 2014 年一月联考逻辑真题 2015 年一月联考逻辑真题 2016 年一月联考逻辑真题 2017 年一月联考逻辑真题 2018 年一月联考逻辑真题 2019年一月联考逻辑真题 2020年一月联考逻辑真题第一章 性质命题 第二章 模态命题：必然、可能 第三章 三段论：所有，有的 第四章 联言命题-且 第五章 选言命题：相容选言-或；不相容选言-要么要么 第六
python基础小题目————————小百
本人是新手，有一定的了解不到位，望海涵
02-26 469
题目———————————————————————————————————— 附加题———————————————————————————————————————— # 第一题 print("*******第一题********") def timu_01(fruit): print("你的%s汁已经榨好了") timu_01("苹果") timu_01("西瓜") # 第二题 print("*******第二题********") def timu_02()...
OSDev——教程
lrcno6的编程世界
01-30 474
这个wiki上有一些与操作系统开发相关的教程。此页面是这些教程的概述，按主题领域和难度排序 入门——非常基础或易于理解的教程。先试试这些 中等——一些更难的主题的教程，但仍然很好学。先做一些简单的事情可能是个好主意 进阶——高级科目教程。不建议初学者学习 大师——非常困难的主题教程。大师级别。祝你好运！ 未评级——尚未评级 内核基础 Bare Bones 这些bare bones教程将为你提供一个足够安全的基本内核，可以作为你自己的起点 入门——Bare Bones——用C语言为x86编写一个基本的32
IoTDB 入门教程——导读
小康师兄
04-30 4179
IoTDB 入门教程——导读
英语——分享篇——每日200词——1601-1800
stqer的博客
10-19 9702
1790——revolutionary——[revə'lu:ʃənərɪ]——adj.革命的，创新的；1608——fundamental——[fʌndə'ment(ə)l]——adj.基本的，根本的——fun+da+ment+al——fun有趣(熟词)+da的(谐音)+ment门徒(谐音)+al阿狸(拼音)——有趣的是，门徒认为抚养阿狸是最基本的——Clothes are a fundamental form of self-expression. ——衣服是一种基本的自我表现形式。
★————博客文章导航————★
嵌入式创客工坊的博客
05-02 1312
为了方便大家快速找到对应例程，特整理出文章分类导航，直达传送门如下： 一、STM32（HAL库）外设实战 ★例程源码下载直达——gitee STM32系列(HAL库)——F103C8T6通过IIC/I2C方式读写AT24C02—(EEPROM 存储模块) STM32系列(HAL库)——F103C8T6点亮1.44寸TFT-LCD彩屏 STM32系列(HAL库)——F103C8T6驱动WS2812全彩RGB模块（PWM+DMA方式） STM32系列(HAL库)——F10......
自动化测试——selenium（完结篇)
热门推荐
qq_54219272的博客
03-07 18万+
自动化测试——selenium（完结篇) 文章目录自动化测试——selenium（完结篇)一、元素操作方法二、浏览器操作方法三、获取元素信息操作四、鼠标操作 （需要实例化鼠标对象）4.1 鼠标右键及双击4.2 鼠标拖拽4.3 鼠标悬停 【重点】五、键盘操作（不需要实例化对象）☆六、元素等待七、下拉框（需要实例化下拉框）八、弹出框九、滚动条十、切换frame表单 ☆10.1 连续切换frame十一、多窗口的切换 ☆十二、截图操作十三、验证码 前言：看这篇帖子，最好要在知道定位八大元素的基础之上才能够比较熟练
LINUX——账号和权限管理
Katie_ff的博客
05-05 2646
useradd -u 1005 -d /opt/test -g zjf test1——指定uid、家目录、组创建用户名。（2）格式：userdel [-r] 用户名——添加“-r”选项时可以将该用户的宿主目录一并删除。（1）使用 passwd -l 锁定用户的密码——仅限于普通用户之间切换，超级管理不限制。chmod -R 777 /etc——改变当前目录包含子目录以及目录下所有的文件的权限。usermod -s /no/login jgq——指定用户的登录是否可以shell。
人脸检测——MTCNN
shuzfan的专栏
09-26 7万+
本次介绍一篇速度还不错的人脸检测文章：《2016 Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》. ———————————— Pipeline———————————— 上面是该方法的流程图，可以看出也是三阶级联，和我之前的一篇博文CascadeCNN很像。stage1: 在构建图
robotic导航————————————————————————————
05-21
robotic导航————————————————————————————
react pro——————————
04-14
react pro——————————
数学建模.zip北邮——计算机——数学建模——专业选修
01-15
北邮——计算机——数学建模——专业选修 北邮——计算机——数学建模——专业选修 北邮——计算机——数学建模——专业选修 北邮——计算机——数学建模——专业选修 北邮——计算机——数学建模——专业选修 北邮...
彻底解决Markdown图片问题——无需上传图片——无需网络——转发给他人图片无缺失
07-02
彻底解决Markdown图片问题——无需上传图片——无需网络——转发给他人图片无缺失
加减计算器————————
07-30
啊
基于yolov3结合卡尔曼滤波匈牙利算法虚拟线圈的车流量检测python源码+项目说明.zip
09-21
本项目专注于视频基的车辆跟踪与流量统计，依托深度学习技术，实时追踪路面车辆动态并精准统计各车道车流量。该项目通过以下核心步骤高效处理输入视频数据： 高精度目标检测：采用YOLOv3模型，凭借其卓越的实时性与准确性，快速识别视频中的车辆目标，为后续追踪奠定坚实基础。 稳定目标追踪：集成SORT（Simple Online and Realtime Tracking）算法，结合卡尔曼滤波器预测车辆未来位置，同时运用匈牙利算法优化目标间的匹配，实现连续、稳定的车辆追踪，有效应对遮挡、交叉等复杂场景。 智能车流量统计：借鉴虚拟线圈概念，巧妙设计算法以监测穿越预设区域的车辆，自动计数并准确统计各车道车流量，为交通管理与分析提供可靠数据支持。 整体而言，本项目通过融合先进的目标检测与追踪技术，结合创新的流量统计方法，构建了一个高效、精准的实时车辆跟踪与流量统计系统，为智慧交通领域的发展贡献力量。
本科毕业设计--基于深度学习的人脸面部表情识别.zip
最新发布
09-21
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
雷电模拟器改成真机环境
09-21
在Android系统中，模拟器通常会被识别为非真实的设备，这可能导致某些应用或服务无法正常运行，尤其是那些需要硬件信息或root权限的应用。改真机环境意味着通过技术手段使模拟器的行为更接近真实的Android设备，包括模拟设备硬件信息、IMEI、MAC地址等，以绕过检测并提升兼容性。LSPSED（Linux System Property Setter and Editor）模块是Magisk的一个扩展，专门用于修改Android系统的系统属性。通过LSPSED，我们可以更改设备的各种系统属性，如设备型号、制造商信息等，这些修改对于使模拟器看起来更像真实设备至关重要。在使用过程中，还需要添加几个机型模块，这些模块通常包含了特定设备的系统配置信息，如设备代号、硬件信息等。通过安装这些模块，雷电模拟器可以模仿各种流行的Android设备，进一步提高应用的兼容性和真实性。
CenterNet 部署版本，便于移植不同平台（onnx、tensorRT、rknn、Horizon）
09-21
CenterNet 是一种用于目标检测的神经网络架构，它的核心思想是利用目标的中心点作为检测的关键信息。这种方法与传统的目标检测方法（如基于边界框的方法）有所不同，因为它不直接预测目标的边界框，而是预测目标的中心点坐标和目标的宽度与高度。 CenterNet 的主要特点包括： 1. **中心点预测**：网络输出目标的中心点坐标，以及目标的宽度和高度。 2. **热图（Heatmap）**：网络生成一个热图，其中每个像素点的值表示该点成为目标中心点的概率。 3. **回归任务**：除了中心点坐标，网络还需要预测目标的宽度和高度，这通常通过预测中心点周围的偏移量来实现。 4. **多任务学习**：CenterNet 通常会同时预测目标的类别、中心点坐标、宽度、高度以及目标的旋转角度（在某些变体中）。 5. **端到端训练**：CenterNet 可以直接在最终的目标检测任务上进行端到端的训练，无需复杂的区域提议网络（Region Proposal Network, RPN）或锚点（anchor）机制。 6. **高效性**：由于省略了传统目标检测中的一些步骤，CenterNe
XJOI——8239
07-27
很抱歉，我无法回答关于"XJOI——8239"的问题，因为在提供的引用内容中没有提到这个问题的相关信息。请提供更多的上下文或者详细的问题描述，我将尽力帮助您。 #### 引用[.reference_title] - *1* [XJOI——3570-萌...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值