神奇算式




标题:神奇算式

    由4个不同的数字,组成的一个乘法算式,它们的乘积仍然由这4个数字组成。

    比如:

210 x 6 = 1260
8 x 473 = 3784
27 x 81 = 2187

    都符合要求。

    如果满足乘法交换律的算式算作同一种情况,那么,包含上边已列出的3种情况,一共有多少种满足要求的算式。

    请填写该数字,通过浏览器提交答案,不要填写多余内容(例如:列出所有算式)。


#include<cstdio>
#include<iostream>
#include<algorithm>
using namespace std;
int m[5];
bool find(int x){
 int i=0;
 while(x){
  m[i++]=x%10;
  x/=10;
 }
 if(i==4)return true;
 else return false;
}
int main()
{
 int B[5],count=0,ct=0;
 for(int a=0;a<=9;a++)
 for(int b=0;b<=9;b++){
  if(a!=b){
   for(int c=0;c<=9;c++){
    if(a!=c&&b!=c){
      for(int d=0;d<=9;d++){
       if(a!=d&&d!=b&&c!=d){
        int A=a*100+b*10+c;
        int C=a*10+b;
        int D=c*10+d;
        B[0]=a;B[1]=b;B[2]=c;B[3]=d;
        sort(B,B+4);
        if(find(A*d)){
         sort(m,m+4);
         if(m[0]==B[0]&&m[1]==B[1]&&m[2]==B[2]&&m[3]==B[3]){
          printf("%d * %d = %d\n",A,d,A*d);
          count++;
         }
        }
        if(find(C*D)){
         sort(m,m+4);
         if(m[0]==B[0]&&m[1]==B[1]&&m[2]==B[2]&&m[3]==B[3]){
          printf("%d * %d = %d\n",C,D,C*D);
          ct++;
         }
        }
       }
      }
     
    }
   }

  }
 

 
}
 printf("%d %d\n",count,ct);
  
 return 0;
}


15 * 93 = 1395  ///
201 * 6 = 1206
210 * 6 = 1260
21 * 60 = 1260///
21 * 87 = 1827///
27 * 81 = 2187///
30 * 51 = 1530///
351 * 9 = 3159
35 * 41 = 1435
41 * 35 = 1435
473 * 8 = 3784
501 * 3 = 1503
510 * 3 = 1530
51 * 30 = 1530
60 * 21 = 1260
81 * 27 = 2187
87 * 21 = 1827
93 * 15 = 1395
 6 12

里面有重复的算式,经过比较可得出一共12个

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
PyTorch 是一个基于Python的机器学习库,它提供了许多用于开发深度学习模型的工具和算法。在算式识别中,PyTorch 可以用于训练一个神经网络模型,对输入的算式进行识别和解析。 算式识别是指将输入的数学算式转换为计算机可识别的形式,通常包括识别算式的各个元素(如数字、运算符)和确定它们之间的关系。PyTorch 可以通过使用多层的神经网络模型来实现算式识别。 首先,需要准备一个合适的训练数据集,包括正例(正确的算式)和负例(错误的算式)。然后,利用PyTorch提供的工具和函数,构建一个神经网络模型。可以选择使用卷积神经网络(CNN)或循环神经网络(RNN)等结构。 训练过程中,需要先将数据集划分为训练集和测试集。通过将训练集输入到神经网络中,进行反向传播和优化,使网络能够逐渐学习到正确的算式识别方式。在每次迭代中,可以使用损失函数来评估模型的性能,并根据损失函数的结果调整模型的参数。 完成网络训练后,可以使用测试集来验证模型在未知数据上的表现。将测试集输入到训练好的模型中,通过模型的输出来进行算式识别。 通过PyTorch提供的函数和工具,我们可以实现对算式的自动识别和解析。这样就可以将输入的算式转换为计算机能够理解和处理的形式,从而实现更便捷和高效的数学计算和问题求解。 总而言之,PyTorch 可以用于算式识别,通过训练神经网络模型来实现对输入算式的自动识别和解析。这样可以方便地将算式转换为计算机可理解的形式,为数学计算和问题求解提供支持。

“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 1
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