【华为OD技术面试手撕真题】1、长度最小的子数组 | 手撕真题+思路参考+代码解析（C & C++ & Java & Python & JS）(三种解法)

华为软件开发岗面试全攻略：从数据结构到项目深挖，避开这些坑

在技术岗位招聘中，面试官考察的不仅是知识储备，更是候选人的工程思维与问题拆解能力。以数据结构、算法、操作系统、计算机网络与数据库为核心的计算机基础，构成了大厂软件开发岗的通用能力底座，其中算法与数据结构往往占据近四成的考核权重。理解数组、链表、二叉树等结构的适用场景，掌握快排、动态规划、DFS/BFS等算法范式，是应对机试与手撕代码环节的关键。同时，项目经验与软素质的呈现同样重要，通过STAR法则梳理技术难点，能让面试官快速判断你的真实水平。华为OD等岗位的面试流程涵盖了机试、技术面与主管面，每一环节都有明

华为OD机试2025C卷备考指南：Python算法实战与高频考点解析

算法与数据结构是编程能力的核心基础，其原理在于通过高效的数据组织和计算策略解决复杂问题。掌握经典算法如动态规划、深度优先搜索（DFS）与广度优先搜索（BFS），能显著提升代码效率与问题解决能力，技术价值体现在优化计算资源与应对大规模数据处理上。这些技术在互联网大厂技术面试、竞赛编程及软件开发中应用广泛。本文聚焦华为OD机试这一特定场景，深入解析其2025年C卷的高频考点与实战策略。针对机试中常见的动态规划、DFS/BFS等算法难题，提供了清晰的解题框架与Python代码模板，并特别强调了输入输出处理、递归优

华为OD机试备考：从ACM模式到边界条件的实战指南

在线编程评测中，ACM模式与核心代码模式的差异常常决定提交成败。理解标准输入输出、边界条件与数据范围分析，是提升算法实现稳定性的基础。对于备战华为OD机试的开发者而言，掌握动态规划、双指针等高频考点，并熟悉判题环境对输出格式的严格要求，远比盲目刷模拟题更重要。从工程实践角度看，先保证常规用例通过、再优化极端情况，能显著提高得分效率。内容从输入输出解析、边界处理、考点拆解到实战案例，系统梳理了华为机试备考的关键经验，帮助你在有限时间内建立正确的解题策略。

【华为面试手撕代码】

文章目录常用的排序算法1.冒泡排序2.选择排序3.插入排序4.快排排序5.归并排序6.堆排序Java 的sort基于什么实现排序算法原理，何为稳定不稳定，快排是否稳定查找二分查找复盘笔试题3.寻找重复的子树树的遍历方式树的遍历方式（先序、中序、后序）先序中序后序如何用数组模拟二叉树的遍历过程？求二叉树的深度两种方法栈、队列232. 用栈实现队列225. 用队列实现栈字符串序列化与反序列化寻找字符串最长回文串最大公共前缀找出出现次数最多的字符字符串中的最长不重复子串动态规划跳台阶最长公共子序列链表反转链表三种

华为手撕代码+剑指offer总结 （python+c语言）

文章目录1.华为手撕代码总结1.1排序问题1.2链表求和1.3树的前中后序遍历（递归/循环写法）1.4树的链表化1.5给一个初始饮料瓶数，三个空瓶换一瓶，可以赊一瓶，求最后能喝几瓶1.6岛屿最大面积问题1.7自己面试手撕的5道算法题2.剑指offer2.1 二维数组查找中的查找2.2 替换空格2.3 从尾到头打印链表2.4 重建二叉树2.5用两个栈实现队列2.6旋转数组的最小数2.7斐波那契数列 ...

面试中遇到的手撕代码题（一）

1.重建二叉树 输入某二叉树的前序遍历和中序遍历的结果，请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列{1,2,4,7,3,5,6,8}和中序遍历序列{4,7,2,1,5,3,8,6}，则重建二叉树并返回。 根据二叉树的性质： public class Rebuild_Tree { public TreeNode reConst...

华为手撕代码c语言题目,想去面试？这10道最高频的手撕代码题都会了吗？

原标题：想去面试？这10道最高频的手撕代码题都会了吗？来源：Python与算法之美ID：Python_Ai_Road作者：梁云1991想去看机会？下面这10道最高频的手撕代码面试题都会了吗？相信我，彻底掌握以下这10道题的解法，你顺利做出手撕代码面试题目的概率至少不低于50%。1，快速排序题目形式：手写一下快速排序算法。题目难度：中等。出现概率：约50%。手写快排绝对是手撕代码面试题中的百兽之王，...

华为OD加面 - 手撕代码真题（Java）

给你一个六位 正 整数 num 。请你使用 num 中的 数位 ，将 num 拆成两个新的整数 new1 和 new2 。 new1 和 new2 中可以有 前导 0 ，且 num 中 所有 数位都必须使用。 比方说，给你 num = 291325 ，你拥有的数位包括：两个 2 ，一个 9 ，一个1，一个 3和一个5 。 一些可能的 [new1, new2] 数对为 [122, 359]，[123, 259]，[2235, 19] 和 [2, 13259] 。 请你返回可以得到的 new1 和 ne

华为OD 技术综合面，手撕代码真题整理（二）：最大子数组和 | 两数之和

华为od手撕代码真题，每篇博客含2道真题，来源华为候选人反馈~

【华为OD机试真题】368、最小循环子数组 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）

题目描述 >给定一个由若干整数组成的数组nums，请检查数组是否是由某个子数组重复循环拼接而成，请输出这个最小的子数组

2025华为OD 面试手撕代码真题【字符串至多删除一个字符，是否能构成回文串】

2025华为OD 面试手撕代码真题【字符串至多删除一个字符，是否能构成回文串】

《华为项目管理之道》第1章笔记

performance indicator，KPI)纳入个人绩效承诺书，贯彻结果导向的理念，以向员工。客户需求是华为发展的原动力，为客户服务是华为存在的唯一理由。目经理‘用兵’，依靠市场机制‘调兵’”，打破了人员在功能部门的板结，实现了听得。为管理者选拔的必要条件，项目经理成为人人向往的岗位。《华为项目管理之道》，是新出的华为官方的项目管理书，整个书不错。伴随着项目型组织的建立，华为逐步形成了完备的项目管理流程和制度，从而将业务运。为此，通过改革，重新明确了项目经理承担的经营责任，并开始以项。

Winform零基础从入门到精通(3)——WinForm基础语法与事件机制详解

通过系统学习基础语法与事件机制，结合实际问题调试，可以快速掌握WinForm开发的核心技能。遇到问题时，优先检查事件绑定和异常处理，逐步培养代码规范意识。​安全转换字符串为数值，避免输入错误导致的崩溃。验证输入（如仅允许数字）​）传递事件相关数据。◦ 事件参数类型：​。

从IPv6到Tomcat：彻底解决127.0.0.1拒绝连接的完整指南

本文提供了从IPv6到Tomcat的全面指南，帮助开发者彻底解决127.0.0.1拒绝连接的问题。涵盖网络协议栈、服务配置、端口管理等多个层面的排查方法，特别针对Tomcat服务提供了专项解决方案，确保开发者能够快速定位并修复连接问题。

【ESP 保姆级教程】玩转emqx数据集成篇④ ——数据桥接之HTTP服务

主要是学习数据桥接功能以及构建自己的http服务器，这是一个非常有用的功能。包括各种传感器上报基本上都需要数据桥接功能支持，所以还是希望认真学习这一块开发，然后结合数据库存储等等知识点进行进一步学习。

信奥赛C++提高组csp-s之线段树详解

信奥赛C++提高组csp-s之线段树详解

LPDDR5 学习笔记05：WCK操作详解

LPDDR5 SDRAM采用双时钟设计，写时钟（WCK）频率为命令时钟（CK）的2倍或4倍，需要通过WCK2CK同步机制解决时钟域对齐问题。该同步操作由带特殊标志位的CAS命令触发，控制器需提供半频WCK脉冲进行状态校准。同步完成后才能执行读写操作，且支持多存储体组同步和WCK常开模式以优化性能。掉电后必须重新执行同步流程，确保时钟域正确对齐。该机制有效解决了高速内存接口的时序挑战，为LPDDR5性能提升提供关键技术支撑。

YOLOv11 改进 - 注意力机制 | LS-YOLO MSFE 多尺度特征提取模块：并行分支结构增强多尺度感知，优化遥感与小目标检测

本文介绍了一种用于滑坡检测的模型LS-YOLO及其在YOLOv11中的结合应用。LS-YOLO首先构建多尺度滑坡数据集MSLD，为模型训练提供丰富数据。设计了基于高效通道注意力、平均池化和空间可分离卷积的多尺度特征提取模块MSFE，充分提取滑坡特征信息。在解耦头中采用膨胀卷积增加模型感受野。我们将MSFE模块集成进YOLOv11，替换部分原有模块。实验表明，改进后的YOLOv11在数据集中表现出色 。

基于STM32LXXX的模数转换芯片ADC（TLA2528IRTER）驱动C程序设计

define TLA2528_ADDR 0x12 << 1 // 用于HAL传输的8位地址（写入为0x24，读取为0x25）// 100kHz (示例值，需根据实际时钟计算)#define TLA2528_REG_PIN_CFG 0x00 // 引脚配置寄存器。#define TLA2528_REG_CHN_SEL 0x01 // 通道选择寄存器。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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&#39;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 = &quot;R. B. Palm&quot;, title = &quot;Prediction as a candidate for learning deep hierarchical models of data&quot;, year = &quot;2012&quot;,}```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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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 &lt; 0.10, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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 &lt; 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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&lt;0.12, &#39;Too big error&#39;);```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(&#39;state&#39;,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 &lt; 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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 &lt; 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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 &lt; 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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 &lt; 0.1, &#39;Too big error&#39;);```[](https://bitdeli.com/free &quot;Bitdeli Badge&quot;)