UVA 202 循环小数

题目链接:http://acm.hust.edu.cn/vjudge/contest/view.action?cid=103453#problem/F

题目大意:给一个分数,化为循环小数

题目分析:数学题,利用十进制展开,分子分母与10互质则小数点后一位开始循环。若不互质,统计约数2,5的个数较大的为n,则从n+1开始循环。(用数学方法可以易证)

   另用抽屉原理可得循环节必小于分母,又数据均<3000,暴力也可求解。

注意要点:1.首先先要约分 2.格式很坑,最后一组数据结束后还需空一行

AC代码:

#include<stdio.h>
#include<cstring>
#include<string>
#include<cmath>
#include<iostream>
#include<algorithm> 
#include<vector>
#include<map>
using namespace std;
int gcd(int x,int y){
	return x==0 ? y : gcd(y%x,x);
}
int main()
{
	int T={0},p,q;
	string s1[100],s2;
	while(cin >> p >> q)
	{
		int x1={0},x2={0},x,m,n={0},ans={0};
		cout << p << "/" << q << " = " << p/q << ".";
		x=gcd(p,q);	p=p/x; q=q/x; n=q;
		while (n%2==0){
			n=n/2;
			x1++;
		}
		while (n%5==0){
			n=n/5;
			x2++;
		}		 
		x=max(x1,x2); n=(p%q)*10;
		for (int i=1;i<=x;i++){
			cout << n/q;
			n=(n%q)*10; 
		}
		cout << "(" << n/q;
		p=n; ans=1; n=(n%q)*10; 
		while (n!=p){
			ans++; 	if (ans<=50) cout << n/q;
			n=(n%q)*10;
		}
		if (ans>50) cout << "..."; 
		cout << ")" << endl << "   " << ans 
		<< " = number of digits in repeating cycle" << endl << endl;
	}
}


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