二维数组

//数组越界访问会出现的问题

#include<stdio.h>
#include<stdlib.h>
#define N 4
int main(){
int i;
int arr[N]={};
for(i=0;i<N+20000;i++){
arr[i]=i;
printf("%d,arr[%d]=%d",i,i,a[i]);
}
for(i=0;i<N;i++){
printf("%d",a[i]);
printf("\n");
}
}

调试结果如图所示
数组越界
杨辉三角(利用数组编写为)

#define N 6
#include<stdio.h>
int main(){
int i,j;
int a[N][N];
for(i=0;i<N;i++){
for(j=0;j<N;j++){
if(j==0||j==i)
a[i][j]=1;
else
a[i][j]=a[i-1][j]+a[i-1][j-1];
}
}

for(i=0;i<N;i++){
for(j=0;j<N-i;j++)
printf("  ");
for(j=0;j<N;j++)
printf("%4d",a[i][j]);
printf("\n");

}

调试结果如下图
杨辉三角

手机屏幕转换原理类似如下

#define N 7
#include<stdio.h>
int main(void){
int a[N][N];
int i,j;

for(i=0;i<N;i++){
for(j=0;j<N;j++){
if(i==j||j==N-i-1)
a[i][j]=0;
if(j>i&&j<N-i-1)
a[i][j]=2;
if(j>i&&j>N-i-1)
a[i][j]=3;
if(j<i&&j>N-i-1)
a[i][j]=4;
if(j<i&&j<N-i-1)
a[i][j]=5;
}
}
for(i=0;i<N;i++){
for(j=0;j<N;j++)
printf("%d",a[i][j]);
printf("\n");
}

蛇形矩阵

#define N 100
#include<stdio.h>
int main(void){
int i,j,k;
int date=1;
int a[i][j];

for(i=j=k=0;k<(N+1)/2;k++){
while(j<N-k)
a[i][j++]=date++;
i++;
j--;
while(i<N-k)
a[i++][j]=date++;
i--;
j++;
while(j>=k)
a[i][j--]=date++;
i--;
j++;
while(i>k)
a[i--][j]=date++;
i++;
j++;
}
for(i=0;i<N;i++){
for(j=0;j<N;j++)
printf("%d",a[i][j]);
printf("\n");
}

蛇形矩阵

将矩阵旋转90度

#define N 4
#include<stdio.h>
int main(void){
int arr[N][N]={1,2,3,4,1,2,3,4,1,2,3,4,1,2,3,4};
int a,b,c,d;
int i,j,k;//k代表圈数

for(i=j=k=0;k<(N=1)/2;k++)
a=b=k;
c=d=N-k-1;
for(i=0;i<d-b;i++){
int t=arr[a][b+i];
arr[a][b+i]=arr[c-i][b];
arr[c-i][b]=arr[c][d-i];
arr[c][d-i]=arr[a+i][d];
arr[a+i][d]=t;
}
for(i=0;i<N;i++){
for(j=0;j<N;j++)
printf("%d",a[i][j]);
printf("\n");
}
}

矩阵旋转

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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