num

（写在前面：想着本身也会整理，不如把整理的内容放到博客里，能帮助到检索这篇博客的人一点点也好。没想到之前写的一点内容也有人浏览，挺惊讶的，这几天多整理一些之前写的本地笔记上传吧。） if 练习1 小结： ① else if条件累赘了； ② 需要判断值是否合法// 空字符转换为数值是0； ③ prompt( )函数的返回值是String类型的； if 练习2 switch练习 小结： ① 这个例子不适合用switch写(更适合if)，不过未注释部分是标准写法。 while练习1 题目较简单，未附代码。小结： ① do-while语句是 后测试循环语句；while语句是 前测试循环语句。 while练习2 　　 本题修改自if练习1，在输入分数部分添加了一个循环，错误便重输。 小结： ① 此题的score全程都是字符串，只有在比较时临时转换为数值进行比较；不能转为数值的会被转为NaN，比较结果是false。 ② 第一个if需要全员true才能通过，score.length必须得有（保证空字符不会变成0）。 ③ 因为不能转为数值的在第一个if处就false陷入循环了，所以不需要下面的isNaN判断。 ④ 因为 if练习1 中防止 'a'与数值比较为false，跳到 正确格式值 的分支，所以需要做判断。（第一步永远是判断异常值！） ⑤ 养成好习惯，break也加分号。 for练习1 小结：

从今天开始自学 processing。 在知乎上看到了 OF兜兜鱼 的一些教程，感觉很棒，准备跟着 OF君 开始学习。 Processing教程|如何在黑夜里风情万种 这个文章上的星星闪闪的，很棒，代码摘抄如下： float a,b,c,d; float star; float x; float y; void setup(){ size(500,500); background(0); frameRate(30); } void draw(){ a=random(255); b=random(255); c=random(255); d=random(255); star=random(7); x=random(width); y=random(height); noStroke(); fill(a,b,c,d); ellipse(x,y,star,star); } 效果不错，好看，但是有几个情况，一个是，这段代码的星星是会越来越多的，一段时间之后会铺满整个画布，并且星星并不闪，想想办法换个效果。 2. 预想画布上有100个星星，星星的位置需要保持，并且在星星闪的时候，其实是对星星的颜色进行改动，那星星的rgb，alpha值都需要记录，参照 processing 自带的范例-basics-Arrays-Array，学习了一下数组的用法： 先声明数组 float red[];

PHP猜数字游戏 session <?php // 找一个属于当前访问者的箱子 // 并且把箱子的钥匙（session_id）交给用户（cookie） session_start ( ) ; if ( empty ( $_SESSION [ 'num' ] ) || empty ( $_GET [ 'num' ] ) ) { $num = rand ( 0 , 100 ) ; // 存在 cookie 中不保险，存在服务端的箱子里 $_SESSION [ 'num' ] = $num ; } else { $count = empty ( $_SESSION [ 'count' ] ) ? 0 : $_SESSION [ 'count' ] ; if ( $count < 10 ) { $result = ( int ) $_GET [ 'num' ] - $_SESSION [ 'num' ] ; if ( $result == 0 ) { $message = '猜对了' ; unset ( $_SESSION [ 'num' ] ) ; unset ( $_SESSION [ 'count' ] ) ; } elseif ( $result > 0 ) { $message = '太大了' ; } else { $message = '太小了' ; } $_SESSION [

【Google 机器学习笔记】 十、TensorFlow 2.1 实战（二）基本图像分类   为节省时间，降低学习成本，本节实战的图片分类对象 tf.keras 中内置的 MNIST 数据集。   首先回顾机器学习编程的几个基本步骤     1. 数据       ① 获取数据       ② 处理数据       ③ 拆分数据       ④ 检查数据     2. 模型       ① 构建模型       ② 检查模型       ③ 训练模型       ④ 进行预测   现根据以上步骤进行实战训练 数据 获取数据 # 首先先导入 TF import tensorflow as tf # TF 的高级 API —— Keras from tensorflow import keras from tensorflow . keras import layers # 用到的第三方包 import numpy as np import matplotlib . pyplot as plt # TensorFlow 中为方便机器学习，内置了很多数据集在 tf.keras.datasets 中， # 而且已经将数据处理并拆分好了。具体使用方法可前往官网查看 API 文档 # 获取数据 ( train_images , train_labels ) , ( test_images ,

摘要: 参考文献： https://blog.csdn.net/lsxf_xin/article/details/79712537 JDK各个版本的新特性 要了解一门语言，最好的方式就是要能从基础的版本进行了解，升级的过程，以及升级的新特性，这样才能循序渐进的学好一门语言。以下介绍一下JDK1.5版本到JDK1.7版本的特性及JDK1.8部分特性。 JDK1.5新特性 1：自动装箱与拆箱： 自动装箱的过程：每当需要一种类型的对象时，这种基本类型就自动地封装到与它相同类型的包装中。 自动拆箱的过程：每当需要一个值时，被装箱对象中的值就被自动地提取出来，没必要再去调用intValue()和doubleValue()方法。 自动装箱，只需将该值赋给一个类型包装器引用，java会自动创建一个对象。 自动拆箱，只需将该对象值赋给一个基本类型即可。 java——类的包装器 类型包装器有：Double,Float,Long,Integer,Short,Character和Boolean 2：枚举 把集合里的对象元素一个一个提取出来。枚举类型使代码更具可读性，理解清晰，易于维护。枚举类型是强类型的，从而保证了系统安全性。而以类的静态字段实现的类似替代模型，不具有枚举的简单性和类型安全性。 简单的用法：JavaEnum简单的用法一般用于代表一组常用常量，可用来代表一类相同类型的常量值。 复杂用法

79. Word Search Given a 2D board and a word, find if the word exists in the grid. The word can be constructed from letters of sequentially adjacent cell, where "adjacent" cells are those horizontally or vertically neighboring. The same letter cell may not be used more than once. Example: board = [ ['A','B','C','E'], ['S','F','C','S'], ['A','D','E','E'] ] Given word = " ABCCED ", return true . Given word = " SEE ", return true . Given word = " ABCB ", return false . 题目链接： https://leetcode-cn.com/problems/word-search/ 思路 这道题很简单，但是写出来的代码一直在运行时间上表现不好。 第一版代码是这样的： class Solution { public: vector

相关文章： 分析 @Trannsactional 和 SqlSession 的关系 今天组内一哥们反应说项目中读写分离出现了 BUG：明明加了读库的注解，而且日志也是显示应该要读从库，但是居然还是从主库中读取的数据。于是排查了一下原因，原因就是因为在数据源切换之前使用了声明式事务。 首先介绍一下这个项目中读写分离的实现方式：基于注解（AOP） + AbstractRoutingDataSource ；这是个很常见的使用方式，但是我个人不太推荐这个方式，因为基于注解可设置范围过大，如果不理解其中原理或者项目有特殊要求的时候很容易出现问题，个人比较推荐基于 MyBatis 拦截器做。这个项目在 Service 层和 DAO 层中间增加了一个 Manager 层，一般 Manager 层就是用来进行事务操作。 代码简化如下： //adminService 方法 @Transactional ( rollbackFor = Throwable . class ) public int updateDimensionRegion ( ) { int num = adminManager . countDimensionRegion ( ) ; //便于测试，主库和从库数据不一致 if ( num == 2 ) { log . info ( "read slave....." ) ; }

code from keras.layers.normalization import BatchNormalization from keras.models import Sequential from keras.layers.core import Dense,Dropout,Activation from keras.optimizers import SGD,Adam import numpy as np import os os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' def fizzbuzz(start,end): x_train,y_train=[],[] for i in range(start,end+1): num = i tmp=[0]*10 j=0 while num : tmp[j] = num & 1#这位是1吗 num = num>>1#右移一位 j+=1 x_train.append(tmp) if i % 3 == 0 and i % 5 ==0: y_train.append([0,0,0,1]) elif i % 3 == 0: y_train.append([0,1,0,0]) elif i % 5 == 0: y_train.append([0,0,1,0]) else : y_train.append(

#include<iostream> using namespace std; int main() { int n; while(cin>>n) { int a[80]; int num=1; for(int i=0;i<n;i++) { cin>>a[i]; if(a[i]%2!=0) num*=a[i]; } cout<<num<<endl; } return 0; } 来源： CSDN 作者： 西柚茶茶 链接： https://blog.csdn.net/qq_39039905/article/details/104553253

/** * 功能：给定一个正整数，找出与其二进制表示中1的个数相同，且大小最接近的那两个数。 * （一个略大一个略小。） */ 三种方法： 方法一：蛮力法 方法二：位操作法 [java] view plain copy <span style="white-space:pre"> </span>/** * 方法：位操作法 * 思路：获取后一个较大的数 * 1）计算c0和c1。c1是拖尾1的个数，c0是紧邻拖尾1的作坊一连串0的个数。 * 2）将最右边、非拖尾0变为1，其位置为p=c1+c0。 * 3）将位p右边的所有位清零。 * 4）在紧邻位置p的右方，插入c1-1个1。 * @param n * @return */ public static int getNext(int n){ int c=n; int c0=0; int c1=0; while((c&1)==0&&(c!=0)){ c0++; c>>=1; } while((c&1)==1){ c1++; c>>=1; } if(c0+c1==31||c0+c1==0)//c0+c1+1=32,1表示p所在位。 return -1; int p=c0+c1;//最右边处，非拖尾0的位置。 n|=(1<<p);//翻转0为1 n&=~((1<<p)-1);//将p右边的所有位清零 n|=(1<<(c1-1))-1;/