黑马程序员——整数的进制及转换

------- <a href="http://www.itheima.com" target="blank">android培训</a>、<a href="http://www.itheima.com" target="blank">java培训</a>、期待与您交流! ----------

一、进制

只讨论二进制、八进制、十进制、十六进制

二进制:它由两个基本数字0,1组成,二进制数运算规律是逢二进一。

八进制:由数字0-7组成,运算规律是逢八进一。

十进制:由数字0-10组成,运算规律是逢十进一。

十六进制:由数字0-10字母A,B,C,D,E,F十六个字符组成,,运算规律是逢十六进一。

二、进制的转换

1.十进制转二进制

原理:对十进制数进行除2运算。

练习:求十进制数10的二进制数。


    10(十进制) = 1010(二进制)

2. 二进制转十进制
原理:二进制乘以2的过程。
练习:求二进制数1111的十进制数。
1111 = 1*2(0)+1*2(1)+1*2(2)+1*2(3) = 15

附:括号中的数值代表次方。

练习:求二进制数1111-1111的十进制数。


   1    1    1    1    1    1    1    1 

128  64  32  16   8    4    2    1
---------------------------------------
128+64+32+16+8+4+2+1 = 255


3. 十进制转八进制
原理:八进制,其实就是3个二进制位转成一个八进制位。

练习:求十进制数20的八进制数。
十进制 20
二进制 00010100
三位分割 010-100
八进制 48


20(十进制) = 00010100(二进制) =24(八进制)


4. 十进制转十六进制
原理:十六进制,其实就是4个二进制位转成1个十六进制位。

练习:求十进制数20的十六进制数。
十进制 20
二进制 00010100
四位分割 0001-0100
十六进制 14
因此,20(十进制) = 00010100(二进制) = 0x14(十六进制)


5 负数的进制
原理:负数的二进制表现形式就是对应的正数二进制取反加1。
 练习:求-20的二进制表现形式

   0001-0100     20

   1110-1011     取反

 +0000-0001     加1

-------------------

    1110-1100

注意:负数的二进制最高位永远是1。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值