算法训练 乘法表

问题描述
  输出九九乘法表。
输出格式
  输出格式见下面的样例。乘号用“*”表示。
样例输出
下面给出输出的前几行:
1*1=1
2*1=2 2*2=4
3*1=3 3*2=6 3*3=9
4*1=4 4*2=8 4*3=12 4*4=16
……
 
#include<stdio.h>
int main(){
	int i,j;
	for(i=0;i<9;i++){
		for(j=0;j<=i;j++){
			printf("%d*%d=%d ",i+1,j+1,(i+1)*(j+1));
		}
		printf("\n");
	}
	return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是使用C语言编写的简单的神经网络乘法表: ``` #include<stdio.h> #include<stdlib.h> #include<math.h> #define LEARNING_RATE 0.1 #define EPOCHS 1000 double weights[2][3]; double bias[2]; double x[4][2] = {{0,0}, {0,1}, {1,0}, {1,1}}; double y[4] = {0, 0, 0, 1}; double sigmoid(double x){ return 1/(1+exp(-x)); } double sigmoid_derivative(double x){ return sigmoid(x)*(1-sigmoid(x)); } int main(){ int i, j, k, epoch; double z[2], a[2], d[2], error; // Initialize weights and bias for(i=0; i<2; i++){ for(j=0; j<3; j++){ weights[i][j] = (double)rand()/RAND_MAX; } bias[i] = (double)rand()/RAND_MAX; } // Train the neural network for(epoch=0; epoch<EPOCHS; epoch++){ error = 0.0; for(i=0; i<4; i++){ // Forward propagation for(j=0; j<2; j++){ z[j] = 0.0; for(k=0; k<2; k++){ z[j] += x[i][k]*weights[j][k]; } z[j] += bias[j]; a[j] = sigmoid(z[j]); } // Backward propagation d[1] = (y[i]-a[1])*sigmoid_derivative(z[1]); d[0] = d[1]*weights[1][0]*sigmoid_derivative(z[0]); // Update weights and bias for(j=0; j<2; j++){ for(k=0; k<2; k++){ weights[j][k] += LEARNING_RATE*d[j]*x[i][k]; } bias[j] += LEARNING_RATE*d[j]; } // Calculate error error += pow(y[i]-a[1], 2); } // Print error after each epoch printf("Epoch %d: Error=%lf\n", epoch+1, error/4); } // Test the neural network printf("Prediction:\n"); for(i=0; i<4; i++){ for(j=0; j<2; j++){ z[j] = 0.0; for(k=0; k<2; k++){ z[j] += x[i][k]*weights[j][k]; } z[j] += bias[j]; a[j] = sigmoid(z[j]); } printf("%d * %d = %lf\n", (int)x[i][0], (int)x[i][1], a[1]); } return 0; } ``` 代码中使用了一个简单的2层神经网络,输入层有2个神经元(对应于乘法表的2个操作数),输出层有1个神经元(对应于乘法的结果)。使用随机初始化的权重和偏置,使用sigmoid函数作为激活函数,并使用均方误差作为损失函数。在每个epoch中,使用反向传播算法更新权重和偏置,并计算训练误差。在训练完成后,对测试集进行预测并输出结果。
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