- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-4 悄悄关注 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/97864803 7-4 悄悄关注 (25 分) 新浪微博上有个“悄悄关注”，一个用户悄悄关注的人
1.1K10发布于 2019-11-08 - 来自专栏刷题笔记
7-4 字符串排序
点这里 7-4 字符串排序 本题要求编写程序，读入5个字符串，按由小到大的顺序输出。 输入格式： 输入为由空格分隔的5个非空字符串，每个字符串不包括空格、制表符、换行符等空白字符，长度小于80。
94610发布于 2019-11-08 - 来自专栏刷题笔记
7-4 树的遍历 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102924283 7-4 树的遍历 (20 分) 给定一棵二叉树的后序遍历和中序遍历，请你输出其层序遍历的序列
75210发布于 2019-11-07 - 来自专栏刷题笔记
7-4 括号匹配 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101472923 7-4 括号匹配 (25 分) 给定一串字符，不超过100个字符，可能包括括号
1K30发布于 2019-11-08 - 来自专栏数据结构和算法
7-4 学生成绩排序 (15分)
7-4 学生成绩排序 (15分) 输入格式: 输入一个正整数n(n<50)，下面n行输入n个学生的信息，包括：学号、姓名、三门课程成绩（整数）。
43110编辑于 2023-11-30 - 来自专栏小柔博客园
图像存储格式JEPG有损压缩原理
直接存放矩阵数据：BMP，YUV等 无损压缩：PNG,TIFF,GIF,RAW,TGA,PSD等 有损压缩：JPEG,WEBP,WMF等 图像的存储 指标数据 存矩阵 数据大小 最大 解码速度 最快（ 拷贝） 画质 最好 JPEG的有损压缩 主要说明为什么可以压缩的这么小及压缩流程 感知编码：删掉人类无法感知到数据的方法，它依赖于人类的感知模型， 模型来自“心理物理学”领域 比如录制声音的时候可以将超声波和低音进行过滤 人的眼睛也是如此，我们看不出颜色的细微变化，图像存储中的Rcbcr格式就是如此，用于表示cb和cr的数据有和没有对人类来说影响不是特别大，因此JPEG利用了这点来压缩的，不过因为有删减数据，也叫有损压缩 这个矩阵的特点是他有大量的0的元素 这个矩阵因为有大量的0就可以用host编码进行压缩 最终目的：产生大量的0的字符串 其他图片的压缩算法 PNG算法 支持透明通道 本质：使用LZ77的压缩算法 有损压缩原理
85120编辑于 2022-11-16 - 来自专栏算法与数据结构
PTA 7-4 排座位（25 分）
7-4 排座位（25 分） 布置宴席最微妙的事情，就是给前来参宴的各位宾客安排座位。无论如何，总不能把两个死对头排到同一张宴会桌旁！
1.6K90发布于 2017-12-29 - 来自专栏媒矿工厂
人类仍是最好的有损图片压缩器
本文是来自Stanford Compression Workshop 2019的演讲，讲者是三位高中生：来自Palo Alto High School的Ashutosh Bhown，来自Monta Vista High School的Soham Mukherjee，来自Saint Francis High School的Sean Yang。
56320发布于 2019-11-11 - 来自专栏freesan44
PTA 7-4 素数等差数列 (20 分)
2004 年，陶哲轩（Terence Tao）和本·格林（Ben Green）证明了：对于任意大的 n，均存在 n 项全由素数组成的等差数列。例如 { 7，37，67，97，127，157 } 是 n=6 的解。本题就请你对给定的 n 在指定范围内找出一组最大的解。
40100发布于 2021-09-10 - 来自专栏AI科技大本营的专栏
“深度学习之父”大谈AI：寒冬不会出现，论文评审机制有损创新
【AI 科技大本营导读】近日《连线》杂志发表了一篇文章，记录了与“深度学习之父” Geoffrey Hinton 围绕人工智能伦理、技术、学术等领域的采访实录。当被问到如今人工智能是否将走进寒冬时，Hinton 的回答非常坚决：“不会有‘人工智能寒冬’。因为 AI 已经渗透到你的生活中了。在之前的寒冬中，AI 还不是你生活的一部分。但现在它是了。”
56430发布于 2018-12-27 - 来自专栏freesan44
PTA 7-4 最近的斐波那契数 (20 分)
=1。所谓与给定的整数 N 最近的斐波那契数是指与 N 的差之绝对值最小的斐波那契数。
48510发布于 2021-09-10 - 来自专栏算法+
浮点数据有损压缩算法 附完整C代码
例如:https://github.com/cpuimage/TinyJPEG 这铺垫有点长，所以是不是可以基于dct 8x8 对浮点数据进行有损压缩呢？ 答案，没错就是这么简单粗暴。
2.2K40发布于 2018-05-07 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-4 稳赢
7-4 稳赢 大家应该都会玩“锤子剪刀布”的游戏：两人同时给出手势，胜负规则如图所示： ? 现要求你编写一个稳赢不输的程序，根据对方的出招，给出对应的赢招。但是！
52710发布于 2020-06-23 - 来自专栏daos
Nvidia_Mellanox_CX5和6DX系列网卡_RDMA_RoCE_无损和有损_DCQCN拥塞控制_动态连接等详解-一文入门RDMA和RoCE有损无损
RoCEv2, 以及IB协议, Mellanox的RDMA网卡cx4, cx5, cx6/cx6DX, cx7等, 本文主要基于CX5和CX6DX对RoCE技术进行简介, 一文入门RDMA和RoCE有损及无损关键技术 无损带来的挑战无损缺点配置复杂拥塞严重时会带来暂停发送的问题延迟增加暂停帧风暴PauseStorm配置复杂, 每个Fabric节点需要保持一致的无损配置受限制, 比如大型网络, 或客户的网络中, 没有权限去配置无损为了更好的推广和使用RoCE, 有损配置解决了部分无损的配置难题有损 开启该功能后, 如: TGT将1GB切分为多个8K读, 类似窗口机制, TGT按8K为窗口单位来滑动控制, 在硬件中来实现该功能有损配置建议1. cx5开始支持的, 打开4种有损配置2. 右侧是一个配置示例(查看和配置网卡)cx6DX配置命令有损,RDMA等应用场景(云存储)1. ZTR: 取消所有交换机和节点上的PFC和ECN配置, 在网卡上启用所有的有损算法RC和DC服务类型1. 可靠连接传输类型RC: 可靠, 消息保序, 通过ACK确认和重传2.
15.3K26编辑于 2025-11-05 - 来自专栏freesan44
PTA 7-4 最近的斐波那契数 (20 分)
=1。所谓与给定的整数 N 最近的斐波那契数是指与 N 的差之绝对值最小的斐波那契数。
60810编辑于 2021-12-06 - 来自专栏点云PCL
FLiCR：基于有损 RI 的快速轻量级激光雷达点云压缩
此外发现当前质量度量标准对于表现点云熵的限制，并引入了一种新的度量标准，既反映了点对点的质量，又反映了熵的质量，用于有损IRs。 其次通过RI量化和子采样探索了利用有损RI进行下游压缩步骤的机会。我们认为有损表示可以极大地提高通过有损表示的压缩效率和低延迟的无损字节流压缩。 然而我们认为利用有损RI有更多的优化机会，不仅可以减少数据大小，还可以降低下游压缩任务的复杂性。 因此，针对有损RI的点云的质量度量需要同时反映量化和子采样误差。 利用有损RI进行无损压缩 在前文中已经了解到将有损视频编解码器应用于范围图像（RI）会导致较低的压缩效率或扭曲3D空间中的点云。
1.3K10编辑于 2024-04-11 - 来自专栏freesan44
PTA 7-4 素数等差数列 (20 分)
2004 年，陶哲轩（Terence Tao）和本·格林（Ben Green）证明了：对于任意大的 n，均存在 n 项全由素数组成的等差数列。例如 { 7，37，67，97，127，157 } 是 n=6 的解。本题就请你对给定的 n 在指定范围内找出一组最大的解。
39120编辑于 2021-12-06 - 来自专栏刷题笔记
【未完成】7-4 集合相似度 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/102727480 7-4 集合相似度 (25 分) 给定两个整数集合，它们的相似度定义为：
63810发布于 2019-11-07 - 来自专栏腾讯大讲堂的专栏
微信红包【技术篇】——如何在服务有损的情况下保证用户体验
讲师：Boas 分享主题：如何在服务有损情况下保证用户体验 羊年春晚因着微信摇一摇的介入，变得十分的不一样。 对于客户端同学来说，常常直面用户的体验问题，而从春晚这个项目本身出发，可预见的是，当时的服务将会有损，在这样的情况下如何保证用户体验，成了我们设计的一个核心。 ? 最终一声哈哈大笑，在春晚这个项目中，完美地体现了有损服务下保证用户体验这个价值观。 三 项目复杂我们怎样来稳定？ 1.方案要简单 精细的方案设计的确可以带给我们非常细致的体验。
1.8K80发布于 2018-02-11 - 来自专栏AI机器学习与深度学习算法
机器学习入门 7-4 求数据的前n个主成分
前几个小节我们将二维样本映射到一个轴上，使得映射后的样本在这个轴上的方差最大，通过公式推导将求方差最大转换为最优化问题，进而使用基于搜索策略的梯度上升法来求解。下图红色的轴就是使用梯度上升法求解出来的第一个主成分。
70940发布于 2019-11-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号