PAT(乙)-1002. 写出这个数 (20)

1002. 写出这个数 (20)

读入一个自然数n,计算其各位数字之和,用汉语拼音写出和的每一位数字。

输入格式:每个测试输入包含1个测试用例,即给出自然数n的值。这里保证n小于10的100次方。

输出格式:在一行内输出n的各位数字之和的每一位,拼音数字间有1 空格,但一行中最后一个拼音数字后没有空格。

输入样例:
1234567890987654321123456789
输出样例:
yi san wu


题目分析:
计算数字n中各个位的数字之和,理解起来很容易,只需将数字n各个位数字分离,然后相加即可,但是题目存在几个棘手的地方:
1. n的范围不超过10的100次方,因此普通数据类型例如int之类的肯定会爆掉,因此只能选择字符数组去解决。
2. 最后是以汉字拼音输出一个数,每个数之间都有空格,但是最后一个数后不能有空格,首先,我想到了先用for循环去处理,每次输出一个数+空格,最后一次的话,利用/b退格键来处理,可是PAT的OJ似乎不支持还是其他问题,直接给我答案错误,无奈,最终用switch加if,解决这个问题。


伪代码如下:

//用字符串存入n,并且各个位相加,总和为sum
for(i=0;i<strlen(n);i++)
{
sum=sum+num[i]-'0';
temp=sum;
}
//统计sum的位数
while(sum)
sum/=10;
cot++
//将sum的每一位存入一个新的数组
for(i=count-1;i>=0;i--){
        num1[i] = sum % 10;
        sum /= 10;
    }
//用for+switch语句去输出相应的汉语拼音
for ( i = 0; i < count; i++)
  {
    switch (num1[i])
    //处理空格问题
    if(i!=count-1)   printf(" ");
  }

AC代码如下:

#include<stdio.h>
#include<string.h>
#define MAXN 100
int main()
{

    char num[MAXN]={0};
    int num1[MAXN]={0};
    int sum=0,i;
    int count=0;
    gets(num);


    for(i=0;i<strlen(num);i++)
       sum=sum+num[i]-'0';//加起来是多少。PS:减0即减48,详见ASCII码表
       int temp=sum;
    while(temp)//这个数有多少位
    {
        temp/=10;
        count++;
    }
    //分离从个位开始,从右往左,故循环采用逆循环
    for(i=count-1;i>=0;i--){
        num1[i] = sum % 10;
        sum /= 10;
    }
    for ( i = 0; i < count; i++)
  {
    switch (num1[i])
    {
            case 0:printf("ling");break;
            case 1:printf("yi");break;
            case 2:printf("er");break;
            case 3:printf("san");break;
            case 4:printf("si");break;
            case 5:printf("wu");break;
            case 6:printf("liu");break;
            case 7:printf("qi");break;
            case 8:printf("ba");break;
            case 9:printf("jiu");break;

        }
        if(i!=count-1)//如果当前非最后一位,则输出空格
            printf(" ");
    }

}
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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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