史丰收速算

史丰收速算法的革命性贡献是:从高位算起,预测进位。不需要九九表,彻底颠覆了传统手算!  
    速算的核心基础是:1位数乘以多位数的乘法。  
    其中,乘以7是最复杂的,就以它为例。  
    因为,1/7 是个循环小数:0.142857...,如果多位数超过 142857...,就要进1  
    同理,2/7, 3/7, ... 6/7 也都是类似的循环小数,多位数超过 n/7,就要进n  
    下面的程序模拟了史丰收速算法中乘以7的运算过程。  
    乘以 7 的个位规律是:偶数乘以2,奇数乘以2再加5,都只取个位。  
    乘以 7 的进位规律是:  满 142857... 进1,  满 285714... 进2,  满 428571... 进3,  满 571428... 进4,  满 714285... 进5,  满 857142... 进6  
    请分析程序流程,填写划线部分缺少的代码。 241876844562801  

//计算个位  int ge_wei(int a)

 {  if(a % 2 == 0)  

 return (a * 2) % 10; 

 else   return (a * 2 + 5) % 10;  

}  

//计算进位

int jin_wei(char* p) 

{  char* level[] = {   "142857",   "285714",   "428571",   "571428",   "714285",   "857142"  };  

  char buf[7]; 

 buf[6] = '\0'; 

 strncpy(buf,p,6); 

   int i;  for(i=5; i>=0; i--)

{   int r = strcmp(level[i], buf); 

  if(r<0) return i+1;  

 while(r==0){    p += 6;   

 strncpy(buf,p,6);    

r = strcmp(level[i], buf);   

 if(r<0) return i+1;    ______________________________;  //填空 

  }  

}    return 0; }  

//多位数乘以7

 void f(char* s)  

{  int head = jin_wei(s); 

 if(head > 0) 

printf("%d", head);  

  char* p = s;  

while(*p){   int a = (*p-'0');  

 int x = (ge_wei(a) + jin_wei(p+1)) % 10;  

 printf("%d",x);  

 p++;  }   

printf("\n"); }  

int main() 

{  f("428571428571");  

f("34553834937543");    

return 0; 

}

具体源代码:

#include <stdio.h>

 #include <string.h> 

//计算个位 

int ge_wei(int a) 

{  if(a % 2 == 0)   
return (a * 2) % 10; 
 else   
return (a * 2 + 5) % 10;  
}  
//计算进位

  int jin_wei(char* p) 

{  char* level[] = {"142857","285714","428571","571428","714285","857142"};   
 char buf[7]; 

 buf[6] = '\0';

  strncpy(buf,p,6);   

 int i; 
 for(i=5; i>=0; i--)

{   int r = strcmp(level[i], buf);   
if(r<0) return i+1;

while(r==0)

{    p += 6;    strncpy(buf,p,6); 

   r = strcmp(level[i], buf); 

   if(r<0) return i+1; 
   else if(r == 0) 

return i;  //填空 
  } 

 }   
 return 0; 
}  
//多位数乘以7 

void f(char* s)

  {  int head = jin_wei(s); 
 if(head > 0) 

printf("%d", head);   
 char* p = s; 


 while(*p){   int a = (*p-'0'); 
 
 
int x = (ge_wei(a) + jin_wei(p+1)) % 10;  

 printf("%d",x);  

 p++; 
 }   
 printf("\n"); 
}  
int main() 

{  f("428571428571");  f("142857");  f("142857142856");  

 return 0; 
}


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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 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。
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