九章算术卷第五 商功



〔一〕今有穿地积一万尺。问为坚、壤各几何?答曰:为坚七千五百尺。为壤一万二千五百尺。
术曰:穿地四,为壤五,为坚三,为墟四。以穿地求壤,五之;求坚,三之,皆四而一。以壤求穿,四之;求坚,三之,皆五而一。以坚求穿,四之;求壤,五之,皆三而一。城、垣、隄、沟、?、渠,皆同术。
术曰:并上下广而半之,以高若深乘之,又以袤乘之,即积尺。


〔二〕今有城下广四丈,上广二丈,高五丈,袤一百二十六丈五尺。问积几何?答曰:一百八十九万七千五百尺。


〔三〕今有垣下广三尺,上广二尺,高一丈二尺,袤二十二丈五尺八寸。问积几何?答曰:六千七百七十四尺。


〔四〕今有隄下广二丈,上广八尺,高四尺,袤一十二丈七尺。问积几何?答曰:七千一百一十二尺。
冬程人功四百四十四尺。问用徒几何?答曰:一十六人、一百一十一分人之二。
术曰:以积尺为实,程功尺数为法,实如法而一,即用徒人数。


〔五〕今有沟上广一丈五尺,下广一丈,深五尺,袤七丈。问积几何?答曰:四千三百七十五尺。
春程人功七百六十六尺,并出土功五分之一,定功六百一十二尺、五分尺之四。问用徒几何?答曰:七人、三千六十四分人之四百二十七。
术曰:置本人功,去其五分之一,馀为法。以沟积尺为实。实如法而一,得用徒人数。


〔六〕今有堑上广一丈六尺三寸,下广一丈,深六尺三寸,袤一十三丈二尺一寸。问积几何?答曰:一万九百四十三尺八寸。
夏程人功八百七十一尺。并出土功五分之一,沙砾水石之功作太半,定功二百三十二尺、一十五分尺之四。问用徒几何?答曰:四十七人、三千四百八十四分人之四百九。
术曰:置本人功,去其出土功五分之一,又去沙砾水石之功太半,馀为法。以堑积尺为实。实如法而一,即用徒人数。


〔七〕今有穿渠上广一丈八尺,下广三尺六寸,深一丈八尺,袤五万一千八百二十四尺。问积几何?答曰:一千七万四千五百八十五尺六寸。
秋程人功三百尺,问用徒几何?答曰:三万三千五百八十二人功。内少一十四尺四寸。
一千人先到,问当受袤几何?答曰:一百五十四丈三尺二寸、八十一分寸之八。
术曰:以一人功尺数,乘先到人数为实。并渠上下广而半之,以深乘之为法。实如法得袤尺。


〔八〕今有方堡壔方一丈六尺,高一丈五尺。问积几何?答曰:三千八百四十尺。
术曰:方自乘,以高乘之,即积尺。


〔九〕今有圆堡壔,周四丈八尺,高一丈一尺。问积几何?答曰:二千一百一十二尺。
术曰:周自相乘,以高乘之,十二而一。


〔一0〕今有方亭,下方五丈,上方四丈,高五丈。问积几何?答曰:一十万一千六百六十六尺、太半尺。
术曰:上下方相乘,又各自乘,并之,以高乘之,三而一。


〔一一〕今有圆亭,下周三丈,上周二丈,高一丈。问积几何?答曰:五百二十七尺、九分尺之七。
术曰:上、下周相乘,又各自乘,并之,以高乘之,三十六而一。


〔一二〕今有方锥下方二丈七尺,高二丈九尺。问积几何?答曰:七千四十七尺。术曰:下方自乘,以高乘之,三而一。


〔一三〕今有圆锥下周三丈五尺,高五丈一尺。问积几何?答曰:一千七百三十五尺、一十二分尺之五。
术曰:下周自乘,以高乘之,三十六而一。


〔一四〕今有堑堵下广二丈,袤一十八丈六尺,高二丈五尺。问积几何?答曰:四万六千五百尺。
术曰:广袤相乘,以高乘之,二而一。


〔一五〕今有阳马,广五尺,袤七尺,高八尺。问积几何?答曰:九十三尺、少半尺。
术曰:广袤相乘,以高乘之,三而一。


〔一六〕今有鳖臑下广五尺,无袤,上袤四尺,无广,高七尺。问积几何?答曰:二十三尺、少半尺。术曰:广袤相乘,以高乘之,六而一。


〔一七〕今有羡除,下广六尺,上广一丈,深三尺,末广八尺,无深,袤七尺。问积几何?答曰:八十四尺。
术曰:并三广,以深乘之,又以袤乘之,六而一。


〔一八〕今有刍甍,下广三丈,袤四丈,上袤二丈,无广,高一丈。问积几何?答曰:五千尺。
术曰:倍下袤,上袤从之,以广乘之,又以高乘之,六而一。刍童、曲池、盘池、冥谷,皆同术。
术曰:倍上袤,下袤从之,亦倍下袤,上袤从之,各以其广乘之,并,以高若深乘之,皆六而一。其曲池者,并上中、外周而半之,以为上袤;亦并下中、外周而半之,以为下袤。


〔一九〕今有刍童,下广二丈,袤三丈,上广三丈,袤四丈,高三丈。问积几何?答曰:二万六千五百尺。


〔二0〕今有曲池,上中周二丈,外周四丈,广一丈,下中周一丈四尺,外周二丈四尺,广五尺,深一丈。问积几何?答曰:一千八百八十三尺三寸、少半寸。


〔二一〕今有盘池,上广六丈,袤八丈,下广四丈,袤六丈,深二丈。问积几何?答曰:七万六百六十六尺、太半尺。负土往来七十步,其二十步上下棚除。棚除二当平道五,踟蹰之间十加一,载输之间三十步,定一返一百四十步。土笼积一尺六寸,秋程人功行五十九里半。问人到、积尺、用徒各几何?答曰:人到二百四尺。用徒三百四十六人、一百五十三分人之六十二。
术曰:以一笼积尺乘程行步数为实。往来上下,棚除二当平道五。置定往来步数,十加一,及载输之间三十步以为法。除之,所得即一人所到尺。以所到约积尺,即用徒人数。


〔二二〕今有冥谷上广二丈,袤七丈,下广八尺,袤四丈,深六丈五尺。问积几何?答曰:五万二千尺。载土往来二百步,载输之间一里,程行五十八里,六人共车,车载三十四尺七寸。问人到积尺及用徒各几何?答曰:人到二百一尺、五十分尺之十三。用徒二百五十八人、一万六十三分人之三千七百四十六。
术曰:以一车积尺乘程行步数为实。置今往来步数,加载输之间一里,以车六人乘之,为法。除之,所得即一人所到尺。以所到约积尺,即用徒人数。


〔二三〕今有委粟平地,下周一十二丈,高二丈。问积及为粟几何?答曰:积八千尺。为粟二千九百六十二斛、二十七分斛之二十六。


〔二四〕今有委菽依垣,下周三丈,高七尺。问积及为菽各几何?答曰:积三百五十尺。为菽一百四十四斛、二百四十三分斛之八。


〔二五〕今有委米依垣内角,下周八尺,高五尺。问积及为米几何?答曰:积三十五尺、九分尺之五。为米二十一斛,七百二十九分斛之六百九十一。
委粟术曰:下周自乘,以高乘之,三十六而一。其依垣者,十八而一。其依垣内角者,九而一。程粟一斛,积二尺七寸。其米一斛,积一尺六寸、五分寸之一。其菽、答、麻、麦一斛,皆二尺四寸、十分寸之三。


〔二六〕今有穿地,袤一丈六尺,深一丈,上广六尺,为垣积五百七十六尺。问穿地下广几何?答曰:三尺、五分尺之三。
术曰:置垣积尺,四之为实。以深、袤相乘,又三之,为法。所得倍之,减上广,馀即下广。


〔二七〕今有仓广三丈,袤四丈五尺,容粟一万斛。问高几何?答曰:二丈。
术曰:置粟一万斛积尺为实。广袤相乘为法。实如法而一,得高尺。


〔二八〕今有圆困,高一丈三尺三寸、少半寸,容米二千斛。问周几何?答曰:五丈四尺。
术曰:置米积尺,以十二乘之,令高而一,所得,开方除之,即周。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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. **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。
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. **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