素数求解一二三

#include <iostream>
#include <math.h>
#include <vector>
using namespace std;

void Grial(int _N)
{
	int count=0;
	vector<int> ar;
	ar.push_back(2);
	int _A=0;//统计循环次数。
	int _K;
	int _I;
	for(_I=3;_I<=_N;_I+=2)
	{
		for(_K=3;_K<_I;_K++)
			{	
			_A++;
			if(_I%_K==0)
			break;
			}
	if(_K>=_I)
		ar.push_back(_I);
		}
		cout<<"素数个数:"<<ar.size()<<endl;
		for(int _J=0;_J<ar.size();_J++)
		{
			cout<<ar[_J]<<"  ";
		}
		cout<<"循环次数:"<<_A<<endl;
}
int main()
{
	Grial(100000);
	return 0;
}

循环次数:455089152

time ./a.out

real    0m2.948s
user    0m2.804s
sys    0m0.000s

--------------------------------------------------------------------------------------------------------------------------------------------

#include <iostream>
#include <math.h>
#include <vector>
using namespace std;

void Grial(int _N)
{
	vector<int> ar;//由于无法动态的知道_N范围内到底有多少素数,所以我选择使用vector。
	ar.push_back(2);
	int _A=0;//统计比较次数
	int _K;
	for(int _I=3;_I<=_N;_I+=2)//去除偶数
	{
		_K=3;
		do
		{
			_A++;
			if(_I%_K==0)
				break;
			_K+=2;//去除偶数因子.
		}	while(_K*_K<_I );//成对的因数,其中一个个必然小于等于——N的开平方.
		if(_K*_K>_I)
			ar.push_back(_I);
	}
	cout<<"素数个数:"<<ar.size()<<endl;
	for(int _J=0;_J<ar.size();_J++)
	{
		cout<<ar[_J]<<" ";
	}
	cout<<"循环次数:"<<_A<<endl;
}
int main()
{
	Grial(100000);
	return 0;
}
循环次数:1345382

time ./a.out

real    0m0.150s
user    0m0.024s
sys    0m0.000s

-------------------------------------------------------------------------------------------------------------------------------------------------------------------


#include <iostream>
#include <math.h>
#include <vector>
using namespace std;

void Grial(int _N)
{
	vector<int> ar;//由于无法动态的知道_N范围内到底有多少素数,所以我选择使用vector。
	ar.push_back(2);
	int _A=0;//统计比较次数
	int _K;
	for(int _I=3;_I<=_N;_I+=2)//除去偶数
	{
		_K=3;
		int i=0;
		do
		{
		_A++;
		if(ar[i]*ar[i]>_I)
			break;
		if(_I%ar[i++]==0)
		break;
		}while(i<ar.size());
		if(i>=ar.size() || _I%ar[i-1]!=0)
		ar.push_back(_I);
	}

	cout<<"素数个数:"<<ar.size()<<endl;
	for(int _J=0;_J<ar.size();_J++)
	{
		cout<<ar[_J]<<" ";
	}
	cout<<"循环次数:"<<_A<<endl;
}
int main()
{
	Grial(100000);
	return 0;
}

循环次数:704028

real    0m0.129s
user    0m0.024s
sys    0m0.004s
感想:传说还有一种求解素数的至尊解法,过亿数据只要秒内解决,让我们一起去研究吧。

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数据的高层次特征,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数据,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数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 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,生成器生成数据,判别器评估数据的真实性。 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. **激活函数(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数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(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,以最小化损失函数。 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,如对大量数据的依赖、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