大数阶乘

描述
我们都知道如何计算一个数的阶乘,可是,如果这个数很大呢,我们该如何去计算它并输出它?
输入
输入一个整数m(0<m<=5000)
输出
输出m的阶乘,并在输出结束之后输入一个换行符
样例输入
50
样例输出

30414093201713378043612608166064768844377641568960512000000000000


// GreatNumFactorial.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include<vector>
#include<deque>
#include<iostream>
using namespace std;


deque<int>re, t1, t2;
void GreatNumFactorial(int num);
void multi(int num);
void multiwithsinglenum(int num, deque<int>&temp);
void addwithshiftk(int k);
int _tmain(int argc, _TCHAR* argv[])
{
	
	GreatNumFactorial(17);
	deque<int>::iterator it;
	for (it = re.begin(); it != re.end(); it++)
		cout << *it;
	cout << endl;
	cout << re.size();
	system("pause");
	return 0;
}


void GreatNumFactorial(int num)
{
	int tt = num;
	re.push_back(tt % 10);
	tt = tt / 10;
	int kk = 1;
	while (tt > 0)
	{
		re.push_back(tt % 10);
		tt = tt / 10;
		++kk;
	}
	--num;
	while (num > 0)
	{
		multi(num);
		--num;
	}
}

void multi(int num)//乘以一个多位数字
{
	int a = num % 10;
	multiwithsinglenum(a, t1);
	int k = 0;
	num = num / 10;
	while (num > 0)
	{
		++k;
		a = num % 10;
		multiwithsinglenum(a, t2);
		addwithshiftk(k);
		num = num / 10;
	}
	re.clear();
	re = t1;
	t1.clear();
	
}

void multiwithsinglenum(int num, deque<int>&temp)//和一个个位数相乘
{
	int kk = 0;
	deque<int>::iterator it;
	for ( it = re.begin(); it != re.end(); it++)
	{
		
		int a = *it * num + kk;
		kk = a / 10;
		temp.push_back( a % 10);
	}
	if (kk)
		temp.push_back(kk);
}
void addwithshiftk(int k)
{
	int i = 0;
	int ff = 0;
	deque<int>::iterator it;
	for (int i = 0; i < k; i++)
		t2.push_front(0);
	int s1 = t1.size();
	int s2 = t2.size();
	for (int i = 0; i <s2-s1; i++)
		t1.push_back(0);
	for (i = 0; i < s2; i++)
	{
		t1[i] += t2[i] + ff;
		ff = t1[i ] / 10;
		t1[i] = t1[i ] % 10;
	}
	t2.clear();//清零以存储下一次的结果
}
17以前结果正确,从18开始结果错误,坐等大神指出问题

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. **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