1034. 有理数四则运算(20)

本题要求编写程序,计算2个有理数的和、差、积、商。

输入格式:

输入在一行中按照“a1/b1 a2/b2”的格式给出两个分数形式的有理数,其中分子和分母全是整型范围内的整数,负号只可能出现在分子前,分母不为0。

输出格式:

分别在4行中按照“有理数1 运算符 有理数2 = 结果”的格式顺序输出2个有理数的和、差、积、商。注意输出的每个有理数必须是该有理数的最简形式“k a/b”,其中k是整数部分,a/b是最简分数部分;若为负数,则须加括号;若除法分母为0,则输出“Inf”。题目保证正确的输出中没有超过整型范围的整数。

输入样例1:
2/3 -4/2
输出样例1:
2/3 + (-2) = (-1 1/3)
2/3 - (-2) = 2 2/3
2/3 * (-2) = (-1 1/3)
2/3 / (-2) = (-1/3)
输入样例2:
5/3 0/6
输出样例2:
1 2/3 + 0 = 1 2/3
1 2/3 - 0 = 1 2/3
1 2/3 * 0 = 0

1 2/3 / 0 = Inf

</pre><p><pre name="code" class="cpp">#include<iostream>
#include<cmath>
#include<cstring>

using namespace std;
#define LLI long long int
#define MAX 50

/**计算最大公约数**/
LLI computeGCD(LLI num1, LLI num2){
	if(num1 < 0){
		num1 = num1*(-1);
	}
	if(num2 < 0){
		num2 = num2*(-1);
	}
	while(num1){
		if(num1<num2){
			LLI t = num1;
			num1 = num2;
			num2 = t;
		}
		num1 = num1%num2;
	}
	return num2;
}

/**改变分子和分母的正负,负数统一在分子**/
void changeNegative(LLI *a, LLI *b){
	if(*a>0 && *b>0){
		return;
	}else if((*a>0 && *b<0)){
		*a = *a*(-1);
		*b = abs(*b);
		return;
	}else if(*a<0 && *b<0){
		*a = abs(*a);
		*b = abs(*b);
		return;
	}
}

/**
*转换为真分数输出
*param:dividend:被除数 divisor:除数
**/
void changeToProperFraction(LLI dividend, LLI divisor){
	LLI remainder = 0; //余数
	LLI dealer = 0; //商
	LLI gcd = 1; //最大公约数
	if((gcd = computeGCD(dividend, divisor)) != 1){ //判断是否可约
		dividend = dividend/gcd;
		divisor = divisor/gcd;
	}
	remainder = dividend%divisor;
	dealer = dividend/divisor;
	if(dividend == 0){ //情况1:被除数为0 eg:0/3
		cout<<dividend;
	}else if(dealer == 0){ //情况2:商为0 eg:1/3 2/4 -2/4
		if(dividend < 0){
			cout<<"("<<dividend<<"/"<<abs(divisor)<<")";
		}else{
			cout<<dividend<<"/"<<abs(divisor);
		}
	}else if(remainder == 0){ //情况3:余数为0 eg:4/2
		if(dividend < 0){
			cout<<"("<<dealer<<")";
		}else{
			cout<<dealer;
		}
	}else if(remainder != 0){ //情况4:余数不为0 eg:4/3 8/6 -8/6
		if(dividend < 0){
			cout<<"(";
			if(dealer != 0){
				cout<<dealer<<" ";
			}
			cout<<abs(remainder)<<"/"<<abs(divisor)<<")";
		}else{
			if(dealer != 0){
				cout<<dealer<<" ";
			}
			cout<<abs(remainder)<<"/"<<abs(divisor);
		}
	}
}

/**将输入的分数字符串改为对应的数字**/
void changeToNum(char str1[], char str2[], LLI *a1, LLI *b1, LLI *a2, LLI *b2){
	int i = 0, j = 0;
	while(i<strlen(str1) && str1[i]!='/'){
		if(str1[i] == '-'){
			i++;
		}
		*a1 = *a1*10;
		*a1 += str1[i++]-'0';
	}
	i++;
	while(i<strlen(str1)){
		*b1 = *b1*10;
		*b1 += str1[i++]-'0';
	}
	while(j<strlen(str2) && str2[j]!='/'){
		if(str2[j] == '-'){
			j++;
		}
		*a2 = *a2*10; 
		*a2 += str2[j++]-'0';
	}
	j++;
	while(j<strlen(str2)){
		*b2 = *b2*10; 
		*b2 += str2[j++]-'0';
	}
	if(str1[0] == '-'){
		*a1 = *a1*(-1);
	}
	if(str2[0] == '-'){
		*a2 = *a2*(-1);
	}
}

int main(){
	char str1[MAX],str2[MAX];
	LLI a1 = 0, b1 = 0, a2 = 0, b2 = 0;
	LLI a3 = 0, b3 = 0; //用于存放四则运算的结果

	cin>>str1>>str2;
	changeToNum(str1, str2, &a1, &b1, &a2, &b2); //将输入改为数字

	//+
	changeToProperFraction(a1,b1);
	cout<<" + ";
	changeToProperFraction(a2,b2);
	a3 = a1*b2+a2*b1;
	b3 = b1*b2;
	cout<<" = ";
	changeNegative(&a3, &b3);
	changeToProperFraction(a3,b3);
	cout<<endl;
	//-
	changeToProperFraction(a1,b1);
	cout<<" - ";
	changeToProperFraction(a2,b2);
	a3 = a1*b2-a2*b1;
	b3 = b1*b2;
	cout<<" = ";
	changeNegative(&a3, &b3);
	changeToProperFraction(a3,b3);
	cout<<endl;
	//*
	changeToProperFraction(a1,b1);
	cout<<" * ";
	changeToProperFraction(a2,b2);
	a3 = a1*a2;
	b3 = b1*b2;
	cout<<" = ";
	changeNegative(&a3, &b3);
	changeToProperFraction(a3,b3);
	cout<<endl;
	
	changeToProperFraction(a1,b1);
	cout<<" / ";
	changeToProperFraction(a2,b2);
	a3 = a1*b2;
	b3 = b1*a2;
	cout<<" = ";
	changeNegative(&a3, &b3);
	if(b3 == 0){
		cout<<"Inf"<<endl;
	}else{
		changeToProperFraction(a3,b3);
		cout<<endl;
	}
	return 0;
}

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