用Python玩转数据(一)

寻找第n个默尼森数

代码格式如下:

def prime(num):

...

def monisen(no):

… …

return xxx

print(monisen(int(input()))) #此处不需要自己输入,只要写这样一条语句即可,主要完成monisen()函数(4分)


经典程序设计问题:找第n个默尼森数。P是素数且M也是素数,并且满足等式M=2**P-1,则称M为默尼森数。例如,P=5,M=2**P-1=31,5和31都是素数,因此31是默尼森数。

输入格式:按提示用input()函数输入

输出格式:int类型

输入样例:4

输出样例:127


import math

def prime(num):
	l1 = [2]
	for i in range(3, int(math.sqrt(num)+1), 2):
		if num % i ==0:
			return False
	return num

def monisen(no):
	l2 = [2]
	a = 3
	while 1 :
		P = prime(a)
		if P == False:
			a = a+2
			continue
		M = 2**P-1
		if prime(M) == False:
			a = a+2
		else:
			l2.append(M)
			a+=2
		if len(l2) == no:
			break
	return l2[-1]


print(monisen(int(input(""))))



《用 Python 玩转数据》项目一:基于 PyTorch 的图像识别 《用 Python 玩转数据》项目一是一本由清华大学教授刘江所著的数据科学实战指南,该书介绍了基于 Python数据处理、可视化、建模和应用等方面的知识和技能,丰富了读者的数据科学实践能力。其中,第一章的项目就是基于 PyTorch 的图像识别。 PyTorch 是一个基于 Python 的科学计算库,它支持自动求导技术,让深度学习的建模和训练变得更加简单易用。在图像识别的项目中,主要分为以下几个步骤: 1. 数据预处理 首先,需要准备一组有标签的图片数据集,将其按照一定比例划分为训练集和测试集。对于图片,需要对其进行标准化处理,使其像素值落在 [0,1] 的取值范围内,并对其进行大小调整,以便于后续处理。 2. 搭建模型 在 PyTorch 中,可以通过定义 nn.Module 的子类来定义神经网络模型。对于图像识别,可以使用卷积神经网络(Convolutional Neural Network,CNN)模型,其具有良好的特征提取和分类能力。在模型搭建时,需要指定模型的结构、激活函数、优化器等参数,然后训练模型。 3. 训练模型 将准备好的训练集数据输入到模型中,通过反向传播算法不断更新模型的参数,使其能够逐步适应数据集的特征。在训练过程中,需要设置一些超参数,如学习率、批次大小、迭代次数等,以便于模型的优化和训练效果的提升。 4. 测试模型 训练完成后,可以将准备好的测试集数据输入到模型中,计算模型对测试集数据的预测值和真实值之间的误差,并输出模型在测试集上的准确率。 通过这个项目,读者可以了解到 PyTorch 在图像识别方面的应用,并掌握相关的数据预处理、模型搭建、训练和测试等技术。同时,也可以通过实际操作来深入理解深度学习的基本原理和算法,提高数据科学实践能力。
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