九九乘法表

 九九乘法口诀起源于我国,早在春秋战国时期,人们就在使用九九乘法表,当时称为九九歌。《战国策》《荀子》《管子》等书中都有“六六三十六”  ”三九二十七“等相关文献‘

古代的乘法口诀与现代的有所不同,他没有”一一得一“这一行,并且它的排列顺序与现在的乘法口诀排列顺序相反,从”九九八十一“开始”到二二得四“结束。因为以九九开头,所以古代的乘法口诀表又称为“小九九”。

后来数学家们认为乘法口诀的排列顺序不符合顺序中从小到大的逻辑,因此将其排列顺序改成现在的“二二得四”到“九九八十一”,并且增加了“一一得一”这一行,改变了之后的乘法口诀表一直沿用到现在。本次我将编写一个程序,来实现九九乘法表。

九九乘法表如图所示:

 为了解决这个问题,我我们需要用到的知识点是循环嵌套,循环嵌套就是在一个循环的过程中在定义一个循环。在C语言中,while,do.....while,for语句都可以进行嵌套,其中,for语句的嵌套是较为常见的循环嵌套,其语法结构格式如下。

for(初始化表达式:循环条件:操作表达式)
{
     for(初始化表达式1:循环条件1:操作表达式1)
      }
          执行语句
      }
    
  }

在这个循环中我们可以看到,外层循环每执行一次,内层循环作为外层循环体中的语句也会执行一次。

例如,外层每执行5次,由变量a控制循环次数,内层每执行6次,由变量b控制循环次数,示范代码如下。

for(int a=1;a<=5;a++)
     {

         for(int b=6;b<=6;b++)
      
      }

下图,我们可以看到for的流程图。

上图中,我们可以看到,当i等于0到10的过程中,i的条件一种为真,将进入下一个for循环的过程中 ,当第二个条件仍然为真的时候,那么就可以打出来“hello",第2个条件为假的时候,那么将回到第一个循环的过程,直到第一个条件为假的时候。

操作演练:

1:九九乘法表一共有九行九列。

2:外层循环变量i取值范围为1——9,内层循环变量j取值范围为1——9,可以使用for进行循环嵌套。

3:使用变量i控制行,i的初始值为1,循环条件为i<=9

4:使用控制j控制行,j的初始值为1,循环条件为j<=9

5:为了让其显示三角状,在其每一次的外层循环后进行换行。

6:为了让每两行保持一定的距离,在内行循环的输出语句中加入“\t"调整间距

#include<stdio.h>
int main()
{
      int i,j;
      for(i=1;i<=9;i++)
      {
          for(j=1;j<=i;j++)
          {
               printf("%d%d=%3d\t",j,i,i*j);
          }
          printf("\n");
      }
   return 0;
}

​

​

​

运行的结果:

 

 

  • 7
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
基于YOLOv9实现工业布匹缺陷(破洞、污渍)检测系统python源码+详细运行教程+训练好的模型+评估 【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【特别说明】 *项目内容完全原创,请勿对项目进行外传,或者进行违法等商业行为! 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论 2
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