万数归一

随意输入一个正整数,如果是偶数则除以2,如果是奇数则乘以3加1,如此反复,会发现无论最初的数是什么都会变为1。写一个程序验证。

#include<conio.h>
#include<stdio.h>
long process(long a)
{
 if(0==a%2)
   a=a/2;
 else
     a=3*a+1;
 return a;
}
long initialize()
{
 long a;
 printf("please input a interger:");
 scanf("%ld",&a);
 if(a<=0)
   {
    printf("error input");
    exit(0);
   }
 return a;
}
void main()
{
 long a,i=0;
 a=initialize();
 while(1)
         {
          a=process(a);
          printf("%ld ",a);
   ++i;
   if(a==1)
            break;
         }
 printf("/ni=%ld",i);
 getch();
 clrscr();
}

手写数字识别是计算机视觉领域中的一个经典问题,它的应用非常广泛,例如自动识别银行支票上的手写数字、自动识别手写邮政编码等。基于bp神经网络的手写数字识别是一种常见的方法,下面我们来详细介绍一下。 1. 数据集准备 在进行手写数字识别之前,我们需要准备一个合适的数据集。MNIST数据集是一个非常著名的手写数字数据集,它包含了来自不同人的6万张28x28像素的灰度图像,其中5万张用于训练,1万张用于测试。我们可以使用该数据集进行手写数字识别的训练和测试。 2. 数据预处理 数据预处理是深度学习中非常重要的一步,它的目的是将原始数据转换为神经网络可以处理的格式。在手写数字识别中,我们需要将28x28的灰度图像转换为一维的向量。具体地,我们可以将每个像素点的灰度值归一化到0~1之间,并将所有像素点的值按照从左到右、从上到下的顺序排成一个一维向量。这样,一个28x28的图像就可以转换为一个784维的向量。 3. 神经网络模型设计 在基于bp神经网络的手写数字识别中,我们可以设计一个三层的神经网络模型,包括输入层、隐藏层和输出层。输入层的神经元数量为784,隐藏层的神经元数量可以根据实际情况进行调整,输出层的神经元数量为10,分别对应数字0~9。在隐藏层和输出层之间使用sigmoid函数作为激活函数,可以使得神经网络可以处理非线性问题。 4. 神经网络参数初始化 神经网络的参数初始化是非常重要的一步,它可以影响神经网络的训练效果。我们可以使用随机初始化的方法对神经网络的参数进行初始化。 5. 神经网络训练 神经网络的训练是基于反向传播算法进行的。首先,我们需要计算神经网络的输出结果和实际标签之间的误差,然后根据误差大小调整神经网络的权重和偏置。这个过程可以重复多次,直到神经网络的训练误差达到一定的精度要求为止。 6. 神经网络测试 训练好的神经网络可以用于手写数字识别的测试。我们将测试集中的28x28灰度图像转换为一维向量,并输入到神经网络中进行预测。预测结果为10个数字的概率分布,我们可以选择概率最大的数字作为神经网络的预测结果,并与实际标签进行比较,从而计算出神经网络的测试准确率。 基于bp神经网络的手写数字识别是一种非常经典的方法,它可以实现较高的识别准确率。在实际应用中,我们可以通过调整神经网络的参数、增加训练数据等方式来进一步提高手写数字识别的准确率。
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