现在的小朋友，能看到走马灯实物的机会恐怕不多了。
走马灯是我国传统节日装饰玩具之一，常见于元宵中秋等传统节日。灯内点上蜡烛，燃烧产生的热力造成气流，带动轮轴转动。烛光将灯壁布置的剪纸图案投射出来，造成影像不断旋转移动的效果。
古代的走马灯，灯壁各面习惯绘制古代武将骑马作战的图案，动态转动时视觉效果仿佛几位武将你追我赶一样，故得名为走马灯。
我们假设有一盏具有 6 个面的走马灯，六个面依次标注上 1 4 2 8 5 7 六个数，这六个数构成了所谓的走马灯数。网上有一种说法，这个数字最早见于一座埃及金字塔内部。
这个数有一些神奇的规律，本文记录如下。
首先它是一个质数，142857 = 3 × 3 × 3 × 11 × 13 × 37
将这个数分别与 1 ～6 相乘，所得乘积，仍然由 1 4 2 8 5 7 六位数字组成。
142857 × 1 = 142857
142857 × 2 = 285714
142857 × 3 = 428571
142857 × 4 = 571428
142857 × 5 = 714285
142857 × 6 = 857142
并且乘积满足这样的规律，最高位的数字，就是以乘数为索引值，在 [1，4，2，8，5，7] 这个整数数组进行排序后的新数组 [1，2，4，5，7，8] 里摘取的对应元素，假设数组索引以 1 开头。
例如 5 × 142857，乘数是 5，在数组 [1，2，4，5，7，8] 的第 5 个元素是 7，那么积的最高位是 7，然后将剩下的走马灯数位 1 4 2 8 5 补全即可。
而 7 × 142857 = 999999，因此有些人戏称，走马灯数 142857 与 1～6 的乘积，代表星期一到星期六轮流值班，而与 7 的乘积 999999，代表星期日也就是休息日。
上述乘法算式，可以转换成下列的加法算式，完全等价：
142857 + 142857 = 285714
285714 + 142857 = 428571
428571 + 142857 = 571428
571428 + 142857 = 714285
714285 + 142857 = 857142
857142 + 142857 = 999999
既然一个星期只有 7 天，那么乘数超过 7 会如何？
142857 × 8 = 1142856（数字 7 分身，即分为头一个数字 1 与尾数 6，然后再数列内去掉 7）
按照这个规律进行下去，同理可得：
142857 × 9 = 1285713（4 分身）
142857 × 10 = 1428570（1 分身）
142857 × 11 = 1571427（8 分身）
142857 × 12 = 1714284（5 分身）
142857 × 13 = 1857141（2 分身）
142857 × 14 = 1999998（9 分身）
这里应该挑选哪一个数进行分身？假设乘数为 n，则需要分身的数，等于 7 × n 的积的个位 + 1.
142857 与 9 还有一些神奇的渊源。
142 + 857 = 999
14 + 28 + 57 = 99
1 + 4 + 2 + 8 + 5 + 7 = 27，而 2 + 7 = 9
这是不是暗示了中国传统文化里所说的九九归一？
142857 乘以含 7 的任意数字，积的各个数字之和等于36，例如：
142857 × 17 = 2428569 -> 2 + 4 + 2 + 8 + 5 + 6 + 9 = 36
142857 × 27 = 3857139 -> 3 + 8 + 5 + 7 + 1 + 3 + 9 = 36
142857 × 37 = 5285709 -> 5 + 2 + 8 + 5 + 7 + 0 + 9 = 36
142857 × 47 = 6714279 -> 6 + 7 + 1 + 4 + 2 + 7 + 9 = 36
...
142857 * 717 = 102428469 -> 1 + 0 + 2 + 4 + 2 + 8 + 4 + 6 + 9 = 36
我们再来看除法。
用 1～6 数字除以 7，得到的无限循环小数，其循环节仍然是有规律的走马灯数。
对走马灯数这些规律的证明已经超出了小学数学的范畴，本文略过。
更多数学相关
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
我完全不是程序员，正在学习使用Ruby和Rails框架进行编程。我目前正在使用Ruby1.8.7和Rails3.0.3，但我想知道我是否应该升级到Ruby1.9，因为我真的没有任何升级的“遗留”成本。缺点是什么？我是否会遇到与普通gem的兼容性问题，或者甚至其他我不太了解甚至无法预料的问题？ 最佳答案 你应该升级。不要坚持从1.8.7开始。如果您发现不支持1.9.2的gem，请避免使用它们(因为它们很可能不被维护)。如果您对gem是否兼容1.9.2有任何疑问，您可以在以下位置查看:http://www.railsplugins.or
在railscasts项目中你可以看到这段代码:before(:each)dologin_asFactory(:user,:admin=>true)end函数对应的定义是:Factory.define:userdo|f|f.sequence(:github_username){|n|"foo#{n}"}end我不明白admin参数是如何传递给函数的，而函数中没有关于admin参数的字样。谢谢 最佳答案 Factory.define不是一个函数定义，它是一个方法，它接受一个符号或字符串(在本例中是用户)和一个定义你正在制作的工厂的bl
如何学习ruby的正则表达式？(对于假人) 最佳答案 http://www.rubular.com/在Ruby中使用正则表达式时是一个很棒的工具，因为它可以立即将结果可视化。 关于ruby-我如何学习ruby的正则表达式？，我们在StackOverflow上找到一个类似的问题： https://stackoverflow.com/questions/1881231/
ruby中有这样的东西吗？send(+,1,2)我想让这段代码看起来不那么冗余ifop=="+"returnarg1+arg2elsifop=="-"returnarg1-arg2elsifop=="*"returnarg1*arg2elsifop=="/"returnarg1/arg2 最佳答案 是的，只需像这样使用send(或者更好的是public_send):arg1.public_send(op,arg2)这是可行的，因为Ruby中的大多数运算符(包括+、-、*、/、andmore)只需调用方法。所以1+2与1.+(2)相同
深度学习12.CNN经典网络VGG16一、简介1.VGG来源2.VGG分类3.不同模型的参数数量4.3x3卷积核的好处5.关于学习率调度6.批归一化二、VGG16层分析1.层划分2.参数展开过程图解3.参数传递示例4.VGG16各层参数数量三、代码分析1.VGG16模型定义2.训练3.测试一、简介1.VGG来源VGG（VisualGeometryGroup）是一个视觉几何组在2014年提出的深度卷积神经网络架构。VGG在2014年ImageNet图像分类竞赛亚军，定位竞赛冠军；VGG网络采用连续的小卷积核（3x3）和池化层构建深度神经网络，网络深度可以达到16层或19层，其中VGG16和VGG
文章目录1、自相关函数ACF2、偏自相关函数PACF3、ARIMA(p,d,q)的阶数判断4、代码实现1、引入所需依赖2、数据读取与处理3、一阶差分与绘图4、ACF5、PACF1、自相关函数ACF自相关函数反映了同一序列在不同时序的取值之间的相关性。公式：ACF(k)=ρk=Cov(yt,yt−k)Var(yt)ACF(k)=\rho_{k}=\frac{Cov(y_{t},y_{t-k})}{Var(y_{t})}ACF(k)=ρk=Var(yt)Cov(yt,yt−k)其中分子用于求协方差矩阵，分母用于计算样本方差。求出的ACF值为[-1,1]。但对于一个平稳的AR模型，求出其滞
写在之前Shader变体、Shader属性定义技巧、自定义材质面板，这三个知识点任何一个单拿出来都是一套知识体系，不能一概而论，本文章目的在于将学习和实际工作中遇见的问题进行总结，类似于网络笔记之用，方便后续回顾查看，如有以偏概全、不祥不尽之处，还望海涵。1、Shader变体先看一段代码......Properties{ [KeywordEnum(on,off)]USL_USE_COL("IsUseColorMixTex?",int)=0 [Toggle(IS_RED_ON)]_IsRed("IsRed?",int)=0}......//中间省略，后续会有完整代码 #pragmamulti_c
