2021年12月电子学会图形化二级编程题解析含答案：消灭蝙蝠

青少年编程 中国电子学会scratch等级考试二级历年真题解析【持续更新 已更新至2024年12月】_中国电子学会青少年等级考试历年考题(2)

在结束之际，我想重申的是，学习并非如攀登险峻高峰，而是如滴水穿石般的持久累积。尤其当我们步入工作岗位之后，持之以恒的学习变得愈发不易，如同在茫茫大海中独自划舟，稍有松懈便可能被巨浪吞噬。然而，对于我们程序员而言，学习是生存之本，是我们在激烈市场竞争中立于不败之地的关键。一旦停止学习，我们便如同逆水行舟，不进则退，终将被时代的洪流所淘汰。因此，不断汲取新知识，不仅是对自己的提升，更是对自己的一份珍贵投资。让我们不断磨砺自己，与时代共同进步，书写属于我们的辉煌篇章。需要完整版PDF学习资源私我。

【电子学会】2022年03月图形化二级 -- 跳跃游戏

跳跃游戏 1. 准备工作 （1）保留小猫角色，导入角色“Dog1”，调整小狗大小； （2）导入背景“Blue Sky”。 2. 功能实现 （1）小猫初始位置如上面第一张图所示； （2）点击绿旗后，小狗从舞台最右边跑到最左边后，再移到最右边，从最右边跑到最左边，一直执行下去； （3）按下空格键，小猫向上跳起一段距离后，又落到地面； （4）小猫碰到小狗，程序停止。

电子学会图形化二级编程题解析含答案：跳跃游戏

【此题目来自2022年3月份电子学会】【青少年软件编程（图形化）等级考试试卷（二级）】好了我们来先看一下题目吧：三、编程题(共2题，共30分)37.跳跃游戏1.准备工作（1）保留小猫角色，导入角色“Dog1”，调整小狗大小；（2）导入背景“Blue Sky”。2.功能实现（1）小猫初始位置如上面第一张图所示；（2）点击绿旗后，小狗从舞台最右边跑到最左边后，再移到最右边，从最右边跑到最左边，一直执行下去；（3）按下空格键，小猫向上跳起一段距离后，又落到地面；（4）小猫碰到小狗，程序停止。试题编号：202102

scratch跳跃游戏 电子学会图形化编程scratch等级考试二级真题和答案解析2022年3月

scratch跳跃游戏 2022年3月电子学会图形化编程Scratch等级考试二级真题 一、题目要求 1、准备工作 （1）保留小猫角色，导入角色Dog1，调整小狗大小 （2）导入背景Blue Sky 2、功能实现 （1）小猫初始位置如上图第一张图所示 （2）点击绿旗后，小狗从舞台右边跑道最左边后，再移到最右边 （3）从最后边跑道最左边，一直执行下去 （4）按下空格键，小猫向上挑起一段距离后，又落到地面 （5）小猫碰到小猴，程序停止 二、案例分析 1、角色分析 ...

scratch消灭蝙蝠 电子学会图形化编程scratch等级考试二级真题和答案解析2021-12

scratch消灭蝙蝠 一、题目要求 1、准备工作 1. 选择背景Night City 2. 选择角色Bat、Ripley 2、功能实现 1. 初始的背景为Night City，Bat的初始位置在舞台上方，Ripley初始位置在舞台下方 2. 点击绿旗，Bat调整方向后，在整个舞台上飞来飞去，飞行过程中不断煽动翅膀 3. Ripley随着鼠标移动，碰到Bat，Bat发出声音owl，Bat移到舞台随机位置 二、案例分析 1、角色分析 角色：Bat、Ripley 2、背景分析 .

2021年9月电子学会图形化二级编程题解析含答案：画正多边形

1）程序运行后，初始化小猫角色，使得它面向默认的右方，移到坐标值为（0，120）的起始位置；（4）按下键盘数字6，画出上图所示六边形；（4分，右转如果是左转扣2分，超出舞台扣1分）（5）按下键盘数字0，清空绘制的图案。（4分，右转如果是左转扣2分，超出舞台扣1分）（4分，右转如果是左转扣2分，超出舞台扣1分）1、理解编程工具的进阶相关概念，掌握编程工具中进阶模块的使用。学生对编程软件的进一步操作能力，对多角色的位置，上下层关系等。通过本级考试的学生，有一定的逻辑推理能力，熟练使用侦测和选择。...

青少年图形化编程等级考试（Scratch编程）绘图40题40个源程序.zip

青少年图形化编程等级考试（Scratch编程）绘图40题40个源程序，由最简单的图1正方形、图2长方形、到后面越来越复杂的特殊图形，总共40个图，40个源程序

硬件压力测试工具使用方法

B, --bind host# 绑定到主机的多个地址中的一个。当客户端到服务器端的测试结束时，服务器端通过-l选项指定的端口（或默认为客户端连接到服务器端的端口），反向连接至客户端。-c, --client host#如果Iperf运行在服务器模式，并且用-c参数指定一个主机，那么Iperf将只接受指定主机的连接。-C, --compatibility# 与低版本的Iperf使用时，可以使用兼容模式。-b, --bandwidth #[KM] UDP模式使用的带宽，单位bits/sec。

写给小白的“具身智能”入门科普

智能”，大家都懂，也就是AI。那么，什么是“具身”？“具身”是一个很小众的名词，通常都出现在哲学、认知科学领域。它的英文叫Embodied，是embody的过去式和过去分词。em-表示“进入，使……”，-body表示“身体”。组合起来，就是“使……进入身体”。Embodied Intelligence（具身智能），顾名思义，就是“使智能进入身体”、“给智能一个身体”的意思。那么，具身智能，是不是就是“AI+身体”呢？这样说并不准确。

音视频从入门到精通——指数哥伦布码原理

在计算机中，一般数字的编码都为二进制，但是由于以相等长度来记录不同数字，因此会出现很多的。

IC/FPGA笔试/面试题分析（七）建立时间和保持时间类型考题汇总分析

自从召集2020届校招同行加入新建立的“IC/FPGA校招笔试面试交流群“，见识到了很多关于建立时间和保持时间分析的题目，在为别人解答疑惑，以及别人为自己解答疑惑的同时，自己对于知识的理解更加深刻了。 对于建立时间而言，从单独的对触发器的建立时间和保持时间的分析到了对电路（系统）的建立时间到保持时间的分析，前者是核心，后者是扩展，后者建立在前者的基础之上进行推到得到，同时也是芯片内部实际遵循的时...

4.3 Langfuse 集成实战：追踪 OpenAI、LangChain 和 LangGraph 应用

本文介绍了如何将Langfuse集成到不同类型的AI应用中，包括原生OpenAI、LangChain和LangGraph应用。主要内容包括： 两种集成模式：手动追踪（精确控制）和自动追踪（通过回调机制） 三种应用场景的集成方案： 原生OpenAI应用：使用langfuse.trace()手动记录对话流程、LLM调用和工具执行 LangChain应用：通过LangfuseCallbackHandler自动追踪Agent执行过程 LangGraph应用：与LangChain相同的自动追踪方式，可可视化节点和状态

论文阅读：arixv 2025 Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples

研究者做了目前最大规模的“投毒实验”，训练了从6亿参数到130亿参数的模型（覆盖了中小到大型LLM），用的训练数据量也是“最适合模型大小”的（按行业里的“Chinchilla法则”，模型越大，训练数据量也按比例增加）。总结下来就是：这篇论文告诉我们，给大语言模型投毒，比之前想的容易得多——不需要海量毒数据，只要几百条藏好后门的文档，就能让大模型“带毒工作”，而且平时还看不出来。——这比之前大家担心的“需要投毒数据占训练集一定比例”要可怕得多，因为对大模型来说，“固定数量”的毒数据更容易偷偷塞进去。

论文阅读：NeurIPS 2024 JailbreakBench: An Open Robustness Benchmark for Jailbreaking Large Language Model

论文指出评估越狱攻击存在挑战，如缺乏评估标准、成本和成功率计算方法不一致、许多研究无法复现。为解决这些问题，作者提出了JailbreakBench，这是一个开源基准测试，包含以下组件：持续更新的越狱提示库（jailbreak artifacts）。包含100种行为的越狱数据集，符合OpenAI的使用政策。标准化的评估框架，包括威胁模型、系统提示、聊天模板和评分函数。跟踪各种LLMs攻击和防御性能的排行榜。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正