求教【旋转矩阵选号法】

jerrysoft 2001-07-29 11:48:46

本人在报纸上看到一则彩票【旋转矩阵选号法】，原文如下：
设定供选择的复式投注10个号码为：2，4，6，8，10，12，14，16，18，20
旋转矩阵组合形成的12注7位号码显示为：
02 04 06 08 10 12 14
02 04 06 08 16 18 20
02 04 06 10 12 16 20
02 04 06 10 12 18 20
02 04 08 10 12 16 20
02 04 08 10 12 18 20
02 04 10 12 14 16 18
02 06 10 14 16 18 20
04 08 12 14 16 18 20
06 08 10 12 14 16 18
06 08 10 12 14 16 20
06 08 10 12 14 18 20
本人一时之间还看不出其中的算法规律，特此向各位高手请教。

...全文

670 3 打赏收藏转发到动态举报

写回复

3 条回复

切换为时间正序

请发表友善的回复…

发表回复

one_add_one 2001-07-31

打赏
举报

回复

上面的东西就象这个：

缘份算法

这是朋友“自由无限”告诉我的一种算法，可以测算恋人之间的缘份(成功率)，最后以一个百分比显示出来。你要给出Boy和Girl的生日，年用两位数表示，比如 79-5-24。然后把6个数写在一起，邻位相加，超过100的只取后两位，最后得到的数就是缘份值了。

79 5 12 79 2 4
\ / \ / \ / \ / \ /
84 17 91 81 6
\ / \ / \ / \ /
1 8 72 87
\ / \ / \ /
9 80 59
\ / \ /
89 39
\ /
28 %

Arter 2001-07-29

打赏
举报

回复

这种游戏规则，你也要看规律！
别费时了！

one_add_one 2001-07-29

打赏
举报

回复

我不相信这个！

如题主要是人际关系处理，以及和这两类人交往的感受，本人文科经管类专业，感觉没什么朋友，相处起来很累，因为总是被人说情商低，还有就是背后议论什么的，究竟是我的问题。转眼又到了秋招季了！感觉凉了，java选手，来了个c++面试官，八股一点没问，大多数时间在问我研究生阶段的科研经历，改进的算法，cnn，损失函数之类的，感觉他比我懂想问我c的八股，//大体思路：一个节点如果不为空，则他的左右节点一定会入队，一旦节点为空，就检查后面的所有节点，，如果后面的所有节点都为空，就意味着这个空节点是这个数的新的一行。

华为，世界500强，每年研发投入全球TOP5，平台大、待遇优、机会多；#美团# 团子效率真高，上周末笔试这周就面了========================面试官人很好，很给面子，希望能有二面互相自我介绍开场介绍了一下项目八。公司：小米岗位：产品经理状态：已经实习三个多月啦工作内容：分配给你的任务就很琐碎，每天的任务都很重复，觉得没有一点挑战性，甚至有点精神内耗。

软件工程转FPGA，建议吗，前景如何。临近硕士毕业了，因为毕业论文完成的早，实验室该完成的工作也搞的差不多了，所以最近比较闲。3.4面试官打过蓝桥杯，看我跨考本科蓝桥也拿了省一，只聊了数据结构相关队列和栈的区别，让你只用原始数组怎么实现数组得初始化，支持动态扩容，不能用stl用链表+m。前段时间忙于毕设等，虽然一直惦记，总是腾不出时间写，导致时隔两个月都忘差不多了orz，这两天纠结要不要写，想起多少发多少吧。我的思路是把 1 当作 1，0 当作 -1，1 和 0 的个数相等等价于矩阵中所有元素之和为 0。

对于一组中的某个物品，我们只能选和不选，则满足01背包。本人89年的，女，单身（没对象，未来一两年不会怀孕）函授本科毕业（以前在家的机关单位上班当文员整理材料报表格的）现在出来找工作，没有工作经验，我想找包吃住或者包。状态：已拿offer面试地点：线上面试，一面hr面，二面综合面，三面技术面面试过程：1）一面：基本的，为什么选择这个岗位？8道问答，2道编程，两个小时，时间很紧张，有些题目记不太清，可能会有些偏差，两道编程题我都没写出来问答题1、说出至少五个游戏，名称，时长，游戏水平，及简短评价2。

卷积神经网络（CNN）是针对多维网格数据（如图像、视频）设计的深度学习架构，其结构灵感来源于生物视觉系统对信息的分层处理机制。该模型通过局部连接、参数共享、层级特征提取等策略，有效捕获数据中的空间模式。以下从结构特性、工作机制及应用维度展开说明： **1. 局部连接与卷积运算** 卷积层利用可学习的多维滤波器对输入进行扫描，每个滤波器仅作用于输入的一个有限邻域（称为感受野），通过线性加权与非线性变换提取局部特征。这种设计使网络能够聚焦于相邻像素间的关联性，从而识别如边缘走向、色彩渐变等基础视觉模式。 **2. 参数共享机制** 同一卷积核在输入数据的整个空间范围内保持参数不变，大幅降低模型复杂度。这种设计赋予模型对平移变换的适应性：无论目标特征出现在图像的任何区域，均可由相同核函数检测，体现了特征位置无关性的建模思想。 **3. 特征降维与空间鲁棒性** 池化层通过对局部区域进行聚合运算（如取最大值或均值）实现特征降维，在保留显著特征的同时提升模型对微小形变的容忍度。这种操作既减少了计算负荷，又增强了特征的几何不变性。 **4. 层级特征抽象体系** 深度CNN通过堆叠多个卷积-池化层构建特征提取金字塔。浅层网络捕获点线面等基础模式，中层网络组合形成纹理部件，深层网络则合成具有语义意义的对象轮廓。这种逐级递进的特征表达机制实现了从像素级信息到概念化表示的自动演进。 **5. 非线性扩展与泛化控制** 通过激活函数（如ReLU及其变体）引入非线性变换，使网络能够拟合复杂决策曲面。为防止过拟合，常采用权重归一化、随机神经元失活等技术约束模型容量，提升在未知数据上的表现稳定性。 **6. 典型应用场景** - 视觉内容分类：对图像中的主体进行类别判定 - 实例定位与识别：在复杂场景中标定特定目标的边界框及类别 - 像素级语义解析：对图像每个像素点进行语义标注 - 生物特征认证：基于面部特征的个体身份鉴别 - 医学图像判读：辅助病灶定位与病理分析 - 结构化文本处理：与循环神经网络结合处理序列标注任务 **7. 技术演进脉络** 早期理论雏形形成于1980年代，随着并行计算设备的发展与大规模标注数据的出现，先后涌现出LeNet、AlexNet、VGG、ResNet等里程碑式架构。现代研究聚焦于注意力分配、跨层连接、卷积分解等方向，持续推动模型性能边界。卷积神经网络通过其特有的空间特征提取范式，建立了从原始信号到高级语义表达的映射通路，已成为处理几何结构数据的标准框架，在工业界与学术界均展现出重要价值。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

数据结构与算法

33,028

社区成员

35,336

社区内容

发帖

与我相关

我的任务

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章