poj1001 Exponentiation 解题报告

题意:带小数高精度乘法

好久没写过高精度了,还是挺练手的,注意输出的格式。之前WA了一次,看了下discuss里的数据才AC

#include<cstdio>
#include<cstring>
int c[200],a[200],b[200],x,n,len,lenx,xx;
char st[10];
void input(char *st)
{
    int i;
    n = 0;
    xx = x;
    lenx = 0;
    for (i = 5; i >= 0; i--)
        if (st[i] != '.')
        {
            ++n;
            b[n] = a[n] = st[i]-'0';
        }
        else lenx = 5-i;
}
void work()
{
    int i,j;
    memset(c,0,sizeof(c));
    len = n;
    x--;
    while (x--)
    {
        for (i = 1; i <= len; i++)
            for (j = 1; j <= 5; j++)
                c[i+j-1] += a[i]*b[j];
        len = len+5;
        for (i = 1; i <= len; i++)
        {
            c[i+1] = c[i+1] + c[i]/10;
            c[i] = c[i] % 10;
        }
        while (c[len] == 0) len--;
        for (i = 1; i <= len; i++)
        {
            a[i] = c[i];
            c[i] = 0;
        }
    }
    while (a[len] == 0) len--;
}
void output()
{
    int i,k;
    k = 1;
    while (a[k] == 0 && k <=lenx*xx) k++;
    for (i = lenx*xx; i > len; i--)
    {
        if (i == xx*lenx) printf(".");
        printf("0");
    }
    for (i = len; i >= k; i--)
    {
        if (i == xx*lenx) printf(".");
        printf("%d",a[i]);
    }
    printf("\n");
}
int main()
{
    while(scanf("%s%d",st,&x) == 2)
    {
        input(st);
        work();
        output();
    }
}
附上discuss里的BT调试数据:

/*

95.123 12
0.4321 20
5.1234 15
6.7592  9
98.999 10
1.0100 12
.00001  1
.12345  1
0001.1  1
1.1000  1
10.000  1
000.10  1
000000  1
000.00  1
.00000  0
000010  1
000.10  1
0000.1  1
00.111  1

0.0001  1
0.0001  3
0.0010  1
0.0010  3
0.0100  1
0.0100  3
0.1000  1
0.1000  3
1.0000  1
1.0000  3
1.0001  1
1.0001  3
1.0010  1
1.0010  3
1.0100  1
1.0100  3
1.1000  1
1.1000  3
10.000  1
10.000  3
10.001  1
10.001  3
10.010  1
10.010  3
10.100  1
10.100  3
99.000  1
99.000  3
99.001  1
99.001  3
99.010  1
99.010  3
99.100  1
99.100  3
99.998  1
99.998  3

*/

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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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