函数f1()等概率返回1~5,要求等概率返回1~7。

题目:函数f1()等概率返回1~5,要求等概率返回1~7。

思路:由函数f1()获取0,1构造函数f2(),三个二进制位再分别调用f2()组成十进制的0~7。0~7再获取0~6的构造函数,再+1即为1~7。

思路图如下:

具体实现代码:


//条件:函数,随机1~5
public static int f1(){
    int num=(int)(Math.random()*5+1);
    return num;
}
//改写为0,1构造函数
public static int f2(){
    int a=f1();
    while (a==3){
    a=f1();
}
return a<3? 1:0;
}
//三位二进制,每位由f2()生成,等概率生成0~7。
public static int f3(){
    int num=(f2()<<0)+(f2()<<1)+(f2()<<2);
    return num;
}
//获取等概率生成0~6函数,再+1,即为等概率返回1~7
public static int f4(){
    int a=f3();
    while (a==7){
        a=f3();
    }
    return a+1;
}

 

推广:

任意等概率函数,只需改写成0,1生成器,即将生成器通过位运算结合+/-法,生成任意范围等概率函数。

例:如3~10,要求改写2~8。

思路:首先看奇偶,3~10,共8个数,为偶数,则让3~6返回0,7~10返回1,构建0,1生成器。要求2~8,则生成等概率返回0~6函数再加2即可。由于三个二进制位最大为7(111),无法直接结合位运算等概率返回0~6,因此先通过位运算生成等概率返回0~7的函数(* * * 三个二进制位随机生成0/1),然后将0~7等概率函数改写为等概率生成0~6函数(即调用0~7函数时,通过逢7重新调用0~7生成函数剔除7),最后再加2即可。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在PyTorch中,可以使用一些函数和类来计算精度、回归率和F1 score等指标。 对于分类问题中的精度,可以通过以下步骤来计算: 1. 首先,需要将模型预测的结果转化为类别标签。可以使用torch.argmax()函数来获取每个样本预测概率最大的类别。 2. 然后,将预测的类别与真实标签进行比较,以确定模型预测的准确性。可以使用torch.eq()函数来判断预测结果是否与真实标签相等。 3. 最后,计算预测准确的样本数占总样本数的比例,即精度。可以使用torch.mean()函数来计算平均精度。 以下是一个示例代码片段,演示了如何计算精度: ```python # 导入必要的模块 import torch import torch.nn.functional as F # 假设有模型输出和真实标签 outputs = torch.tensor([[0.2, 0.8], [0.6, 0.4], [0.3, 0.7]]) labels = torch.tensor([1, 0, 1]) # 获取预测类别 predicted_labels = torch.argmax(outputs, dim=1) # 计算精度 accuracy = torch.mean(torch.eq(predicted_labels, labels).float()) print(accuracy.item()) # 输出精度值 ``` 对于二分类问题中的回归率,可以使用混淆矩阵来计算。可以使用Sklearn库中的metrics模块来计算回归率。 以下是一个示例代码片段,演示了如何使用混淆矩阵计算回归率: ```python from sklearn.metrics import confusion_matrix, recall_score # 假设有模型输出和真实标签 outputs = torch.tensor([1, 0, 1, 1]) labels = torch.tensor([1, 0, 0, 1]) # 获取预测类别 predicted_labels = torch.round(torch.sigmoid(outputs)).int() # 计算混淆矩阵 conf_matrix = confusion_matrix(labels.numpy(), predicted_labels.numpy()) # 计算回归率 recall = recall_score(labels.numpy(), predicted_labels.numpy()) print(conf_matrix) # 输出混淆矩阵 print(recall) # 输出回归率 ``` F1 score是精确率和召回率的加权平均,可以使用Sklearn库中的metrics模块来计算。 以下是一个示例代码片段,演示了如何计算F1 score: ```python from sklearn.metrics import f1_score # 假设有模型输出和真实标签 outputs = torch.tensor([0.2, 0.7, 0.3, 0.8]) labels = torch.tensor([0, 1, 1, 1]) # 获取预测类别 predicted_labels = torch.round(torch.sigmoid(outputs)).int() # 计算F1 score f1 = f1_score(labels.numpy(), predicted_labels.numpy()) print(f1) # 输出F1 score ``` 以上示例代码演示了在PyTorch中计算精度、回归率和F1 score等指标的方法。根据具体问题的要求和使用的库可以适当进行调整和修改。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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