PAT 1049. Counting Ones (30) 统计‘1’的个数,模拟题

/*************************
题意:
求从0到n之间,共有多少个‘1’
************************
求解思路和注意点:
哇好难解释啊。。。这里我就简单说一下自己的解题思路好了,因为以前做过类似的。。
我就解释一下怎么计算816中‘1’的个数
首先计算一个onenum数组,统计的是0-x位中1的数量
我们知道0-9中,只有1个‘1’
00-99中,有10*1+10=20个‘1’
000-999中,有10*20+100=300个‘1’
0000-9999中,有10*300+1000=4000个‘1’
以此类推得出onenum数组
然后开始统计816中1的个数
	首先816是百位数,故可以知道
		有8个(x00-x99),x的范围是0->7
			故可以知道有8*20=160个‘1’,即sum += 8*20;
	    有1个(x0-x9)。x的范围是0->0,即sum += 1*1
	接着看百位数8,8比1大,所以有以1开头的百位数
		故一定会多出100个‘1’,故sum += 100;
	接着看十位数1, 1等于1,所以以1开头的十位数有6+1=7个(这个6是816%10得出的)
		故一定会多出7个1。sum += 7;
	接着看6,6大于1,所以多出了1个1   sum += 1;
	故总的个数sum= 160 + 1 + 100 + 7 +1= 269个
************************/

/***********************
笔记:

*********************/
#include<iostream>
#include<stdio.h>
#include<string>
#include<vector>
#include<queue>
#include<stdlib.h>
#include<algorithm>
#include<string.h>
#include<stack>
#include<map>
#include<unordered_map>
using namespace std;
#define M 2550
#define INF 0x7fffffff

int	onenum[11];//0-9有多少个1,00-99有多少个1,000至999有多少个1……

//10的倍数
int qnum[11]={1,10,100,1000,10000,100000,1000000,10000000,100000000,1000000000,10000000000};
int main(){
	int i;
	memset(onenum,0,sizeof(onenum));
	onenum[0]=0; //这个默认为0
	onenum[1]=1;//0-9里有1个1
	int q=10;

	//计算每x位中有多少个1,是叠加的
	for(i=2;i<=9;i++){
		onenum[i]=10 * onenum[i-1] + q;
		q *= 10;
	}
	int n,m;
	scanf("%d",&n);
	m=n;
	vector<int>  num;
	while(m!=0){
		num.push_back(m%10);
		m=m/10;
	};
	int sum=0;


	for(i=0;i<num.size();i++){
		//某位大于1,则加上10^i
		if(num[i]>1){
			sum += qnum[i];
		}
		//某位等于1,则加上后面的数字部分
		else if(num[i]==1){
			sum += n%qnum[i] + 1;
		}

		//加上之前x位的数量
		sum += num[i] * onenum[i];
	}
	cout<<sum<<endl;
	return 0;
}

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成据,判别器评估据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函。 9. **损失函(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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