CF110A Nearly Lucky Number

http://codeforces.com/problemset/problem/110/A传送门

解释:这是cf上的一题a题,在洛谷上被分类成入门级别的难度,代码难度不高但是对对题目的理解能力要求比较高,或者说这题比较坑

题目大意:

如果一个数仅包含4和7,那么它就是一个”幸运数字”。 如果一个数本身不是幸运数,但是它所含有的数字4和7的个数之和为一个”幸运数字”,那么它就是一个”类幸运数字”。 给您一个数,请编程判断它是不是”类幸运数字”。

输入格式

一行一个整数N(N在64位整数(long long / int64)范围内)。

输出格式

一行一个字符串,如果N是”类幸运数字”则输出”YES”,否则输出”NO”。

输入输出样例

输入样例#1:复制

40047

输出样例#1:复制

NO

输入样例#2:复制

7747774

输出样例#2:复制

YES

输入样例#3:复制

1000000000000000000

输出样例#3:复制

NO

题解:思路上没有难度,但要注意你所判断的是否是“类幸运数字”,而不是“幸运数字”,也就是说你其实可以不用管是否是幸运数字

#include <iostream>
using namespace std;
int main()
{
    string s;
    cin >> s;
    int num = 0;
    bool f = true;
    for(int i=0; i<s.size(); i++)
    {
        if( s[i] == '4'|| s[i] == '7')
            num ++;
    }
     num == 4 || num == 7 ? cout << "YES" << endl : cout<<"NO" << endl;
//因为s的长度有限制所以直接判断是否4个或者7个就可以了,4和7才是幸运数字
}
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