7-2 寻找大富翁

7-2 寻找大富翁 分数 25 全屏浏览题目 切换布局 作者 陈越 单位 浙江大学 胡润研究院的调查显示，截至2017年底，中国个人资产超过1亿元的高净值人群达15万人。

PTA 7-2 符号配对（20 分）

7-2 符号配对（20 分） 请编写程序检查C语言源程序中下列符号是否配对：/*与*/、(与)、[与]、{与}。 输入格式: 输入为一个C语言源程序。

AI 项目落地杂谈

人工智能（AI）项目的“落地”问题，现在谈论的比较多，我也来凑个热闹，不过，我不是从宏观角度来讲，而是从具体实施过程讲讲个人体会。 首先，AI 工程师要有能力且勇敢地将项目真实情况讲出来。 如果项目管理者对某个 AI 技术的细节不很了解，而是凭借浅显的认知决定要在项目中使用，那么，AI 工程师是不是能够协助项目管理者做深入的可行性研究呢？ AI 工程师要有能力进行评估 这对多数 AI 工程师来讲，是一个挑战。因为评估一个项目是否可以使用某项 AI 技术，不仅仅是技术本身，还要考虑项目的其他问题，比如成本、运营、人员、时间等等。 AI 工程师要勇敢地讲出实情 毋庸置疑，宣传中的某项 AI 技术以及它能够给项目带来的好处，和实际情况肯定是有差异的，甚至有时候差异会很大。 这样的 AI 工程师，也要么是“真糊涂”，要么是“揣着明白装糊涂”。一般项目皆败于此。 当科学、客观地对项目和技术进行评估之后，一定能够找到 AI 技术的切入点，此后的落地，必然一帆风顺。

7-2 树种统计 (20 分)

本文链接：https://blog.csdn.net/shiliang97/article/details/102924532 7-2 树种统计 (20 分) 随着卫星成像技术的应用，自然资源研究机构可以识别每一棵树的种类

7-2 到底有多二

本文链接：https://blog.csdn.net/shiliang97/article/details/96301355 7-2 到底有多二 一个整数“犯二的程度”定义为该数字中包含2的个数与其位数的比值

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

AI上天，自动车落地

AI这两年里可谓是非常的热门，从深度学习到自然语言翻译到自动车，一个接一个的层出不穷。不仅仅赚了吆喝，也赚足了资本。和AI相关的人才争夺，更是让人叹为观止。 一个但凡和AI有点关系的博士毕业，其工资让我这个工作那么多年的人都羡慕嫉妒恨。 作为AI的杀手级应用自动车驾驶，更是这些年各大公司和初创公司追逐的重点。无数的资本涌入。 比如说AI的大牛奠基人之一的迈克乔丹，在到处演讲告诉大家不要把现在的AI当回事，其实真没那么牛。 在美国，很多大公司都源于加州。 所以如果自动车和人工智能最为强悍的谷歌都做不到成功落地服务大众的话，我们为什么相信现阶段自动车是AI如此重要的一个应用呢？ 如果连自动驾驶都解决不了，我们又凭什么相信这个上天的AI真的是有极大价值的，而不是空话呢？我其实真的没什么信心。所以做AI的同学们，好好享受你们的美好时光，一切都是假的，只有钱才是真的。

PTA 7-2 方阵循环右移

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

我看中的AI落地场景。

复盘成了我的日常 我最近在思考AI创新产品应该如何切入，接下来谈一些见解： AI技术不仅仅是算法，更多的是工程， ML Code仅仅只是占了核心的一个小空间。 ? 产品化的过程其实是： 挑选一个单点的AI技术，深挖其应用场景， 然后再组合其他技术，形成新技术。 2 基于人像分割技术的图像编辑工具 案例 facet.ai，非常方便地替换背景，带来便捷的图像编辑体验。 ? Auto mask 自动打马赛克，应用虽然小，但是足够方便。 ?

AI安全测试落地实践指南

引言：当AI成为生产系统的核心组件，安全已不再是‘可选项’ 2024年，全球超68%的金融与医疗类AI应用已在生产环境部署大模型推理服务（Gartner《AI Governance Report》）。 本文基于啄木鸟软件测试团队在某头部银行智能风控大模型、某三甲医院AI影像辅助诊断系统的32个真实交付项目经验，提炼出可复用、可度量、可审计的AI安全测试落地四步法。 一、明确AI系统安全边界：从‘黑盒API’到‘三层攻击面’建模 很多测试工程师仍习惯将AI服务视为普通微服务——只测输入/输出一致性。 二、构建轻量级AI安全测试工具链：不依赖GPU，也能跑通核心用例 团队常误以为AI安全测试必须自建红队实验室。 结语：安全不是AI的附属品，而是其可信基石 AI安全测试的本质，不是给模型‘找茬’，而是帮业务建立‘可控的信任’。

嵌入式AI视觉落地的那些事儿——直面AI视觉落地难的挑战

一、QT界面开发：算法与界面必须解耦嵌入式AI应用通常需要图形界面，QT是常见选择。但开发中容易陷入一个误区：把算法函数直接写在界面类的响应函数里。点一下“开始检测”，界面就卡住，直到检测完成才能动。 二、OpenCV算法落地：不能照搬PC代码PC上OpenCV怎么方便怎么来，到了嵌入式平台就得精打细算。图像预处理这条链，在PC上可能几毫秒，在嵌入式上就是几十毫秒。 三、嵌入式平台适配：每块板子有自己的脾气RK3588和Jetson Orin是当前主流的嵌入式AI平台，但开发体验差异不小。交叉编译环境搭建就是个开端，库依赖容易出问题。 五、从原型到产品，每一步都不能省嵌入式AI产品开发，不是“写个算法然后拷过去”那么简单。界面要响应快，算法要跑得稳，硬件资源要榨干，还要考虑设备长时间运行的散热和稳定性。 高培觉得嵌入式AI开发需要的不是单点技术，而是全局视角：QT界面、OpenCV算法、模型部署、多线程优化、硬件加速、系统稳定性，缺一不可。

java落地AI模型案例分享:xgboost模型java落地

xgboost模型java落地 1. input_data) output = load_and_run_onnx_model(model_path, input_data) print(output) 6. java推理 import ai.onnxruntime

用户体验、AI和ML「AI产品工程落地」

作者 | Michelle 报道 | towardsdatascience 人工智能(AI)和机器学习(ML)现在都是热门话题，这是理所当然的，因为它们对重新定义商业的许多方面做出了重大贡献。 您如何看待它随着AI & ML技术的发展? 目前的客户体验“AI无处不在，但结果大相径庭”。使用同一项服务的两个客户可能对他们的体验有完全不同的印象，而且在很多情况下，这项服务是笨拙的，结构也很糟糕。 试图整合AI & ML技术和客户体验的企业面临哪些挑战? Paul总结了许多企业在流程中采用AI和ML时面临的另一个常见挑战——数据量。他说:“目前的机器学习技术依赖于相对大量的数据来提供良好的预测。”

PTA 7-2 数字之王 (20 分)

的每个数的各位数的立方相乘，再将结果的各位数求和，得到一批新的数字，再对这批新的数字重复上述操作，直到所有数字都是 1 位数为止。这时哪个数字最多，哪个就是“数字之王”。

PTA 7-2 找奇葩 (20 分)

在一个长度为 n 的正整数序列中，所有的奇数都出现了偶数次，只有一个奇葩奇数出现了奇数次。你的任务就是找出这个奇葩。

7-2 冒泡法排序 (30分)

7-2 冒泡法排序 (30分) 将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。

7-2 冒泡法排序 (30分)

将N个整数按从小到大排序的冒泡排序法是这样工作的：从头到尾比较相邻两个元素，如果前面的元素大于其紧随的后面元素，则交换它们。通过一遍扫描，则最后一个元素必定是最大的元素。然后用同样的方法对前N−1个元素进行第二遍扫描。依此类推，最后只需处理两个元素，就完成了对N个数的排序。

7-2 歌唱比赛计分 (15分)

7-2 歌唱比赛计分 (15分) 设有10名歌手(编号为1-10)参加歌咏比赛，另有6名评委打分，每位歌手的得分从键盘输入，计算出每位歌手的最终得分(扣除一个最高分和一个最低分后的平均分)，最后按最终得分由高到低的顺序输出每位歌手的编号及最终得分

PTA 7-2 列车调度（25 分）

7-2 列车调度（25 分） 火车站的列车调度铁轨的结构如下图所示。 两端分别是一条入口（Entrance）轨道和一条出口（Exit）轨道，它们之间有N条平行的轨道。