高精度加、减、乘、除算法实现详解

       在说高精度加减乘除运算之前,我们先搞明白什么是高精度运算?

       实际上高精度就是说参与运算的数据和运算结果的范围,超出标准数据类型能表示的数据大小范围的运算。这个时候,如果要得到正确的计算结果,显然不能依靠普通方法实现了。而要在普通运算原理的基础上,加以辅助算法来实现超大数据的计算。例如:求两个100位的数据的和,或者计算两个100位的数字乘积。这时就要用到高精度算法了。

    一、高精度加法:

    高精度加法的实现原理:

1、计算结果的位数
358934760892734899共18位
38960302975237462共17位
故结果不会超过19位。
2、将要计算的数字分割成多段,按照顺序排列(这里以0-32767作为每一存储单位存储的数的限制):

(为提高空间利用效率,可以一个存储单位存储多位数。)
3、将两数相加。

4、输出结果。
从高位到低位依次输出。除最高位以外,其他低位上不足4位的要在前面补上0。

5.代码实现如下

#include<iostream>  
#include<cstring>  
using namespace std;  
int main()  
{  
  string str1,str2;  
  int a[250],b[250],len;   //数组的大小决定了计算的高
  • 193
    点赞
  • 757
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 37
    评论
YOLOv3是一种物体检测算法,它在2018年由Joseph Redmon等人发布。该算法通过单个神经网络将整个图像作为输入,并直接输出每个物体的边界框和类别。相比于传统的物体检测算法,如基于区域的CNN(R-CNN)和Fast R-CNN等,YOLOv3具有更高的检测速度和更好的精度。 下面是YOLOv3算法框架的详细介绍: 1. 输入层 YOLOv3的输入层接受图像作为输入,并将其分割成S x S个网格。每个网格都会预测B个边界框,每个边界框包含5个坐标值(x, y, w, h, confidence)和C个类别概率。 2. 卷积层 接下来是一系列的卷积层,用于提取图像特征。YOLOv3使用了一种称为Darknet-53的卷积神经网络,它由53层卷积组成。这些卷积层使用了一些新的技术,如残差连接和上采样层,以获得更好的性能。 3. 检测层 检测层是YOLOv3的核心层,它将卷积层的输出转换成物体检测结果。每个检测层都会预测一组边界框,并计算每个边界框属于每个类别的概率。在这里,YOLOv3使用了一个新的技术,称为多尺度预测(multi-scale predictions),它可以在不同的尺度下进行检测,以提高检测精度。 4. 非极大值抑制(NMS) 由于每个物体可能被多个边界框检测到,因此需要使用非极大值抑制(NMS)算法来去除重复的检测结果。NMS算法会计算每个边界框与其他边界框的重叠程度,然后去除重叠程度大于一定阈值的边界框。 5. 输出层 最后,YOLOv3的输出层将检测结果转换成人类可读的格式。输出层会将每个边界框的坐标转换成图像坐标,并输出每个物体的类别和置信度。 总结一下,YOLOv3算法框架的核心是检测层,它使用了多尺度预测技术和NMS算法来提高检测精度。此外,YOLOv3还使用了一些新的技术,如Darknet-53卷积网络和上采样层,以获得更好的性能。

“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 37
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

打赏作者

大王算法

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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