ni

shell 中的单行注释和多行注释

核能气质少年 提交于 2020-03-28 16:16:34
1. 单行注释 众所周知,# 比如想要注释:echo “ni” # echo "ni" 2. 多行注释: 法一: : << ! 语句1 语句2 语句3 语句4 ! 例如: linux101:/home/wsj # sh dian ni ni ni ni ni ni linux101:/home/wsj # more dian #!/bin/ksh echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" :<<! echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" ! 法二: : ' 语句1 语句2 语句3 语句4 ' 例如: linux101:/home/wsj # sh dian ni ni ni ni ni ni linux101:/home/wsj # more dian #!/bin/ksh echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" : ' echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" echo "ni" ' 来源: https:/

习题4-6 水仙花数 (20分)运行超时解决方法

浪子不回头ぞ 提交于 2020-03-09 04:58:18
# include <stdio.h> # include <stdlib.h> int pow ( int a , int b ) ; int main ( ) { int i , n , temp , ni ; scanf ( "%d" , & n ) ; for ( i = pow ( 10 , n - 1 ) ; i < pow ( 10 , n ) ; i ++ ) { ni = 0 ; temp = i ; while ( temp > 0 ) { ni + = pow ( temp % 10 , n ) ; temp / = 10 ; } if ( ni == i ) { printf ( "%d\n" , i ) ; } } } int pow ( int a , int b ) // 为了解决最大N运行超时问题,这里借鉴了其他文章的方法 自己重写一个pow 不要Math.h里面的pow函数,这样会节约很多时间 { int i , t = a ; for ( i = 1 ; i < b ; i ++ ) a = a * t ; return a ; } 来源: CSDN 作者: hj_cheng29 链接: https://blog.csdn.net/qq_40604352/article/details/104734945

【连载】【FPGA黑金开发板】NIOS II那些事儿--硬件开发(一)

匆匆过客 提交于 2020-03-06 09:55:49
声明:本文为原创作品,版权归黑金动力社区(http://www.heijin.org) 所有,如需转载,请注明出处 http://www.cnblogs.com/kingst/ 前言 从今天开始,NIOS的学习征途正式拉开了。对于NIOS的学习爱好者,我相信这是一个福音,我将毫无保留的将我对NIOS的研究成果分享给大家。我之所以采用博客这种方式,就是想跟大家充分的交流,大家可以给我留言,也可以在Ourdev中提出问题,我将尽我的全力为大家解决问题。由于本人水平有限,如果有我解决不了的问题,还请高手们多多帮忙,我相信能为大家解决问题是一件很快乐的事情,你不会错过的。 废话少说,我们马上进入正题。今天是第一节,我首先说一下学习NIOS都需要哪些前提条件。听到这,初学者可以会有些害怕了,难道学习NIOS还要条件?是的,需要条件,不过这些条件并不是很高,只要大家努力,这些条件都不是问题。 具有一定的单片机基础; 具有一定的C语言编程能力; 了解Quartus II的开发流程; 一块开发板; 就这么多,大家觉得难么?首先说说第一条,具有一定的单片机基础,这个条件是要有的。单片机的基础在NIOS II学习中体现在它的寄存器操作方式上,这种操作方式是通用的,不管是ARM,DSP,还是51都是一样的,你只要有一种单片机的实践经验就没问题了。再说第二条,这一条没什么可争议的

大端小端存储模式以及其对Union数据类型的影响

亡梦爱人 提交于 2020-02-26 02:32:26
计算机都是以八位一个字节为存储单位 , 那么一个 16 位的整数 , 也就是 C 语言中的 short, 在内存中可能有两种存储顺序 big-endian 和 litte-endian. 考虑一个 short 整数 0x3132(0x32 是低位 ,0x31 是高位 ), 把它赋值给一个 short 变量 , 那么它在内存中的存储可能有如下两种情况 : 大端字节 (Big-endian): ----------------->>>>>>>> 内存地址增大方向 short 变量地址 0x1000 0x1001 _____________________________ | | | | 0x31 | 0x32 | |_______________| ____________| 高位字节在低位字节的前面 , 也就是高位在内存地址低的一端 . 可以这样记住 ( 大端 -> 高位 -> 在前 -> 正常的逻辑顺序 ) 小端字节 (little-endian): ----------------->>>>>>>> 内存地址增大方向 short 变量地址 0x1000 0x1001 _____________________________ | | | | 0x32 | 0x31 | |______________|_____________| 低位字节在高位字节的前面 ,

02-01 感知机

删除回忆录丶 提交于 2020-02-26 02:09:14
文章目录 感知机 感知机学习目标 感知机引入 线性可分和线性不可分 感知机详解 感知机模型 感知机损失函数 感知机目标函数 感知机最小化目标函数原始形式 感知机最小化目标函数对偶形式 感知机算法的收敛性 感知机流程 输入 输出 原始形式流程 对偶形式流程 感知机优缺点 优点 缺点 小结 感知机   感知机在1957年被提出,算是最古老的分类方法之一。   虽然感知机泛化能力不及其他的分类模型,但是如果能够对感知机的原理有一定的认识,在之后学习支持向量机、神经网络等机器学习算法的时候会轻松很多。 感知机学习目标 感知机模型 感知机的损失函数和目标函数 感知机原始形式和对偶形式 感知机流程 感知机优缺点 感知机引入 线性可分和线性不可分   每逢下午有体育课,总会有男孩和女孩在学校的操场上玩耍。   假设由于传统思想的影响,男孩总会和男孩一起打打篮球,女孩总会和女孩一起踢毽子、跳跳绳,如下图所示。 # 感知机引入图例 import numpy as np import matplotlib . pyplot as plt from matplotlib . font_manager import FontProperties % matplotlib inline font = FontProperties ( fname = '/Library/Fonts/Heiti.ttc' )

Python--Demo9--我最喜欢的列表

丶灬走出姿态 提交于 2020-02-17 15:26:50
列表:列表是一个由多个值在一起构成的序列,“列表值”是一个值,只不过它本身里面包括很多值。列表英文名字叫list。 语法:[value1,value2,value3] 示例: >>> [1,2,3] [1, 2, 3] >>> ['wo','ai','ni','baobao'] ['wo', 'ai', 'ni', 'baobao'] >>> ['wo','12','sui',False,172.6] ['wo', '12', 'sui', False, 172.6] >>> pam=['wo','12','sui',False,172.6] >>> print(pam) ['wo', '12', 'sui', False, 172.6] >>> type(pam) <class 'list'> >>> konglist=[] >>> print(konglist) [] >>> type(konglist) <class 'list'> 说明:列表的标志就是有一对方括号--[];列表中的值不限制类型,不限制个数;如果列表里面一个值都没有--[],那就称这个列表是一个空列表。 ====获取与查找篇==== 使用 列表名 [下标] 获取列表中的单个值: 示例: >>> mylis=['wo','ai',123] >>> print(mylis[2]) 123 >>> print

erlang 虚机CPU 占用高排查

旧街凉风 提交于 2020-02-08 08:05:17
-问题起因   近期线上一组服务中,个别节点服务器CPU使用率很低,只有其他1/4。排除业务不均,曾怀疑是系统top统计错误,从 Erlang调度器的利用率调查 找到通过erlang:statistics(scheduler_wall_time) 查看服务器CPU低的机器调度器实际的CPU利用率很高接近100%,而其他机器都不到30%。 分析不同业务服务,发现只有在node 中进程数采用调度器CPU利用低这个问题。   - 高利用率 Cpu0 : 68.2%us, 11.4%sy, 0.0%ni, 3.7%id, 0.0%wa, 0.0%hi, 16.7%si, 0.0%st Cpu1 : 81.6%us, 13.4%sy, 0.0%ni, 4.3%id, 0.0%wa, 0.0%hi, 0.7%si, 0.0%st Cpu2 : 1.3%us, 0.3%sy, 0.0%ni, 98.0%id, 0.3%wa, 0.0%hi, 0.0%si, 0.0%st Cpu3 : 1.3%us, 0.3%sy, 0.0%ni, 98.0%id, 0.3%wa, 0.0%hi, 0.0%si, 0.0%st Cpu4 : 0.7%us, 1.0%sy, 0.0%ni, 98.0%id, 0.0%wa, 0.0%hi, 0.3%si, 0.0%st [{total,0

概率论——超几何随机变量

╄→尐↘猪︶ㄣ 提交于 2020-01-30 13:20:14
文章目录 超几何随机变量 1 定义 2 超几何随机变量的近似 3 参数为 ( n , N , m ) (n,N,m) ( n , N , m ) 的超几何随机变量的期望和方差 超几何随机变量 1 定义   假定一个袋子里面有 N N N 个球,其中有 m m m 个白球, N − m N-m N − m 个黑球,现在随机地从袋子中 不放回 地取出 n n n 个球,令随机变量 X X X 表示取出来的白球数,则: P { X = i } = ( m i ) ( N − m n − i ) ( N n ) i = 0 , 1 , ⋯   , n P\{X = i\} = \cfrac{\begin{pmatrix}m\\i\end{pmatrix}\begin{pmatrix}N-m\\n-i\end{pmatrix}}{\begin{pmatrix}N\\n\end{pmatrix}}\ \ \ \ \ \ \ i = 0,1,\cdots,n P { X = i } = ( N n ​ ) ( m i ​ ) ( N − m n − i ​ ) ​ i = 0 , 1 , ⋯ , n 一个随机变量 X X X 如果其概率质量函数形如上式,其中 N , m , n N,m,n N , m , n 值给定,那么就称 X X X 为超几何随机变量 。   注意, i i i

概率论——伯努利和二项随机变量

£可爱£侵袭症+ 提交于 2020-01-29 04:12:40
文章目录 1 伯努利随机变量 2 二项随机变量 3 二项随机变量的性质 4 二项随机变量的分布函数 1 伯努利随机变量   对于一个试验,我们将其结果分为两类,成功或失败,当试验结果为成功时 X = 1 X=1 X = 1 ,试验结果失为败时 X = 0 X=0 X = 0 。这样,随机变量 X X X 的概率质量函数为: p ( 0 ) = P { X = 0 } = 1 − p p ( 1 ) = P { X = 1 } = p p(0) = P\{X=0\}=1-p \\ p(1) = P\{X=1\}=p p ( 0 ) = P { X = 0 } = 1 − p p ( 1 ) = P { X = 1 } = p 其中 0 ≤ p ≤ 1 0\le p \le 1 0 ≤ p ≤ 1 是每次试验成功的概率。如果随机变量的概率质量函数为上式的形式,那么就称 X X X 为 伯努利随机变量 。 2 二项随机变量   现在对于上述试验,假设进行 n n n 次 独立的 重复试验,每次试验成功的概率为 p p p ,失败的概率为 1 − p 1-p 1 − p 。现在我们令随机变量 X X X 表示 n n n 次试验中成功的次数,那么此时就称 X X X 为参数是 ( n , p ) (n,p) ( n , p ) 的二项随机变量 ,因此伯努利随机变量也是参数为 ( 1 , p

双序列比对的理论基础之建造替换矩阵的合理性证明

大憨熊 提交于 2020-01-26 19:39:32
双序列比对的理论基础之建造替换矩阵的合理性证明  前言:如果对最大似然估计没有概念的话,可以看看我之前写的《似然,似然,似是而然》  结合前几篇文章我们大致的了解了计分矩阵的流程:对某以蛋白质家族进行多序列对比,然后按某一阈值(等同残基比)进行聚类,之后将匹配的无空位的区域划分为block,然后统计各个block中残基之间的联配的频率,用归一化的频率估计概率,进行 最大似然估计 ,估计出在自然界中各残基联配的概率(即匹配模型M的参数)。   《双序列比对的基础(2)之替换(计分)矩阵系列》提出了疑问:怎么没进行最大似然估计啊?没有列似然函数啊,没有求极值点啊。从样本数据得到的频率怎么直接估计为总体的参数呢? 所以怀疑建造的替换矩阵是不合理的!  那么本文就探讨探讨这个问题。  首先,之前我们说过我们必须将生物学的问题抽象成数学模型。而残基对之间的联配可看做是多项分布。多项分布是二项分布的推广。  二项分布就是我抛出一枚硬币,它的结果不是正面就是反面。我们抛出10次,计算出现5次正面的概率很简单。而多项分布则是我扔色子会有六种状态,现在我扔了十次,我想知道出现事件A(A事件=点数为1出现2次和点数为2出现4次和点数为3出现1次和点数为4出现1次和点数为5出现1次和点数为6出1次。)的概率是多少?注意在多项分布中,每个状态出现的频率必须大于0!