解决Scala中的0.1+0.2

最新推荐文章于 2024-10-11 11:39:50 发布

别惊鹊

最新推荐文章于 2024-10-11 11:39:50 发布

阅读量286

点赞数 3

文章标签： scala

本文链接：https://blog.csdn.net/2403_87107889/article/details/142102028

版权

Scala中的0.1+0.2是不等于0.3的

由于精度的问题，小数的计算会存在误差

可以使用BigDecimal（）解决

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

别惊鹊

关注关注

3
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

python0.1+0.2_为什么0.1+0.2=0.30000000000000004

weixin_39943992的博客

12-03

1317

语言代码结果C#includeint main(int argc, char* argv) {printf(“%.17fn”, .1+.2);return 0;}0.30000000000000004C++#include std::cout << setprecision(17) << 0.1 + 0.2 << std.endl;0.3000000000000...

0.1+0.2不等于0.3 转载

qq_41371264的博客

12-07

358

浮点数运算你使用的语言并不烂，它能够做浮点数运算。计算机天生只能存储整数，因此它需要某种方法来表示小数。这种表示方式会带来某种程度的误差。这就是为什么往往 0.1 + 0.2 不等于 0.3。为什么会这样？实际上很简单。对于十进制数值系统（就是我们现实中使用的），它只能表示以进制数的质因子为分母的分数。10 的质因子有 2 和 5。因此 1/2、1/4、1/5、1/8和 1/10 都可以精确...

参与评论您还未登录，请先登录后发表或查看评论

<JavaScript>为什么0.1+0.2=0.30000000000000004

weixin_30685047的博客

09-06

321

浮点数运算你使用的语言并不烂，它能够做浮点数运算。计算机天生只能存储整数，因此它需要某种方法来表示小数。这种表示方式会带来某种程度的误差。这就是为什么往往0.1 + 0.2 不等于 0.3。为什么会这样？实际上很简单。对于十进制数值系统（就是我们现实中使用的），它只能表示以进制数的质因子为分母的分数。10 的质因子有 2 和 5。因此 1/2、1/4、1/5、1/8和 ...

在Scala中0.1+0.2是否等于0.3

2401_83374554的博客

09-11

165

如果你需要精确的数值计算，可以使用BigDecimal类来处理。在Scala中，0.1 + 0.2 不等于 0.3。这是因为在计算机中，浮点数的精度有限，会导致精度误差。输出为：scala.math.BigInt = 333333333333。在Scala代码中最大数字是21474836477。// 输出Boolean = true。输出则为Int=21474836477。

为什么0.1+0.2=0.30000000000000004而1.1+2.2=3.3000000000000003？

IAlexanderI的专栏

12-30

6657

文章讨论了计算机中的浮点运算问题，给出了各种不同语言的浮点输出。浮点数运算你使用的语言并不烂，它能够做浮点数运算。计算机天生只能存储整数，因此它需要某种方法来表示小数。这种表示方式会带来某种程度的误差。这就是为什么往往 0.1 + 0.2 不等于 0.3。为什么会这样？实际上很简单。对于十进制数值系统（就是我们现实中使用的），它只能表示以进制数的质因子为分母的分数。

小知识scala中0.1+0.2为什么不是0.3而是0.30000000000000004

2301_81373895的博客

09-10

312

在scala解释器中输入0.1+0.2并按【Enter】，发现显示的结果为0.30000000000000004，是一个双精度的浮点数，如图所示，这就是浮点数精度问题导致的结果。解释器中输入BigDecimal(0.1)+BigDecimal(0.2)==BigDecimal(0.3)则会返回true这说明使用BigDecimal后保证了浮点数的精度。win+r进入控制台输入scala，在scala解释器中输入0.1+0.2 == 0.3再按【Enter】会发现结果返回为false。

0.1+0.2=0.3？

2301_81657245的博客

09-10

323

今天的课程学习到在scala中直接小数0.1+0.2并不等于0.3。需要使用BigDecimal。

教你如何判断0.1+0.2为什么不等于0.3，在scala中

2301_80781830的博客

09-10

317

方法2：BigDecimal(0.1)+BigDecimal(0.2)==BigDecimal(0.3)，得到结果为True，如图下。代码如下：方法1：BigDecimal(0.1)+BigDecimal(0.2)，得到结果为0.3，如图下。然后，进入Scala里面，输入0.1+0.2，得出0.30000000000000004，如图下。首先，Windows+r,进入一个命令界面，输入cmd命令。这时候会有疑问，0.1+0.2不应该等于0.3吗？接着，进入命令界面，在里面输入Scala命令。

0.1+0.2!=0.3

loredp的博客

03-06

1282

Floating Point Math Your language isn't broken, it's doing floating point math. Computers can only natively store integers, so they need some way of representing decimal numbers. This representation

aerospikez:Aerospike v3 Scala 客户端

07-09

避免在您编写的代码中配置数据库，这将依赖于一个文件（请参阅此）。简洁和可用，即不关心创建主要导致样板代码的密钥/Bin/策略/语句等。安装发布版本 Scala 兼容 Scalaz-Stream 兼容更多信息 0.2 2.10/2.11...

Scala 的矩阵运算

Trigl的博客

08-22

4271

本文讲解 Scala 中进行矩阵运算的包 breeze 的一些基础操作。 Breeze 是 Scala 中用于线性代数相关数值运算的开源库。安装首先我们使用 SBT 导入： libraryDependencies ++= Seq( // Last stable release "org.scalanlp" %% "breeze" % "0.13.2", //...

scala中cannot resolve symbol println_Scala简明教程

weixin_39608132的博客

11-20

855

阅读说明本教程面向有一定编程经验的开发者。本教程预计花费30min语言说明scala是基于java开发的，结合了面向对象编程技术及函数式编程技术。scala的静态类型避免了复杂程序的大部分BUG。它的JVM和Js运行环境让你可以构建高性能系统。开始0. 基础0.1 设定Scala下载Scala - http://www.scala-lang.org/downloads把包解压到你喜欢的目录，并把目...

Scala中的机器学习库应用技巧

Scala中的机器学习简介 ## 1.1 机器学习概述机器学习是一种人工智能（AI）的应用，通过从数据中学习并利用学习到的模式来做出预测或决策。它在各行业中都有广泛的应用，包括但不限于金融、医疗保健、电子商务等...

Scala CSV转case class对象，支持自定义解析

梦境迷离

05-03

633

背景转为对象：方便地读取CSV文件到Scala类型，便于使用已知数据。构造数据：随机Scala对象，写入CSV文件，便于创建或Mock新数据。要求&目标不引入任何第三方库，能够定制CSV某列的格式，可以解析复杂的CSV结构，而不仅限于普通的简单格式，最终能配置解析的一些规则。能使用类型安全的方式编程。下面这个使用shapeless实现，比较简洁，能处理一般的转换，主要问题是我们需要处理CSV中的JSON，而并不需要shapeless的其他功能，所以，嗯。。为了一个方法引入了一个库，不可取。

Scala面试题大全~基础题(15题)

m0_56341622的博客

10-10

1363

模式匹配是 Scala 的一个特性。它的工作原理与其他语言中的 switch case 相同，不同的是scala中支持更加丰富的匹配类型，如常量，变量，类型，样本类，集合等，同时支持更加丰富的逻辑操作如嵌套匹配和模式守卫。具有相同类名的Object对象，并且类和Object在同一个源文件中的Object称为类的伴生对象。println(circleArea) // 输出结果: 28.274333882308138。

基于AnolisOS 8.6安装SNMPTT

qlau2007的博客

10-11

587

基于AnolisOS8.6的SNMPTT安装

python中paramiko插件

最新发布

10-13

这是pjython中最重要的一个插件，所以我们要先下载到csdn中

fastcache-1.1.0-cp38-cp38-win_amd64.whl

10-13

fastcache-1.1.0-cp38-cp38-win_amd64.whl

用scala 写一个神经网络算法

05-11

以下是一个简单的 Scala 实现多层感知机（Multilayer Perceptron）的示例代码： ```scala import breeze.linalg.{DenseMatrix, DenseVector} import breeze.numerics._ import scala.util.Random class NeuralNetwork(inputSize: Int, hiddenSize: Int, outputSize: Int) { private val random = new Random() // 初始化权重 private var w1 = DenseMatrix.rand(hiddenSize, inputSize, random) private var w2 = DenseMatrix.rand(outputSize, hiddenSize, random) // 初始化偏置 private var b1 = DenseVector.rand(hiddenSize, random) private var b2 = DenseVector.rand(outputSize, random) // 定义 sigmoid 激活函数 private def sigmoid(x: DenseVector[Double]): DenseVector[Double] = { 1.0 / (exp(-x) + 1.0) } // 前向传播 def forward(input: DenseVector[Double]): DenseVector[Double] = { val hidden = sigmoid(w1 * input + b1) sigmoid(w2 * hidden + b2) } // 训练网络 def train(input: DenseVector[Double], target: DenseVector[Double], learningRate: Double): Unit = { // 前向传播 val hidden = sigmoid(w1 * input + b1) val output = sigmoid(w2 * hidden + b2) // 计算误差 val error = target - output // 反向传播 val outputDelta = error *:* output * (1.0 - output) val hiddenDelta = (w2.t * outputDelta) *:* hidden * (1.0 - hidden) // 更新权重和偏置 w2 += learningRate * outputDelta * hidden.t b2 += learningRate * outputDelta w1 += learningRate * hiddenDelta * input.t b1 += learningRate * hiddenDelta } } object NeuralNetwork { def main(args: Array[String]): Unit = { // 定义数据集 val input = DenseVector(0.1, 0.2, 0.3) val target = DenseVector(0.4, 0.5) // 定义网络结构和学习率 val inputSize = input.size val hiddenSize = 5 val outputSize = target.size val learningRate = 0.1 // 初始化网络 val net = new NeuralNetwork(inputSize, hiddenSize, outputSize) // 训练网络 for (i <- 1 to 1000) { net.train(input, target, learningRate) } // 测试网络 val output = net.forward(input) println(s"Input: $input") println(s"Target: $target") println(s"Output: $output") } } ``` 在这个示例中，我们创建了一个 `NeuralNetwork` 类，该类接受输入大小、隐藏层大小和输出大小作为参数，并实现了前向传播、训练和sigmoid 激活函数。在 `main` 函数中，我们定义了一个简单的数据集，初始化了一个 `NeuralNetwork` 实例并训练了它，然后测试了它的输出。