代码库(1):【星塔】,【素数,质数】,【二维数组排序】,【数日期,转几天】

  • 1)星塔

  • 2)素数,质数

  • 3) 二维数组的基本排序

  • 4)输入一个日期,自动转换为,这是今年第几天了



1) 星塔:

三角形,构建,寻找每行空格和*的规律

一个的三角形,思路:构建,寻找每行空格和的规律,不要刚开始就用三角形的眼光去看

程序代码片


#include <stdio.h>
main(){
	int hang;
	int i;
	int x;
	int g;
	scanf("%d",&hang);
	
	for(i=0;i<hang;i++)
	{
		g=i+1;
		while(g<hang)
		{
			g++;
			printf(" ");   //空格数就是emmm
		}
		
		  //平行的for
		for(x=0;x<2*i-1;x++)
		{    
			printf("*"); 
		}
		
		printf("\n");
	}
	
}

程序运行图

在这里插入图片描述



2)素数,质数

随机输入一个数,看是不是素数
素数:是指在大于1的自然数中,除了1和它本身以外不再有其他约数的自然数
思路:从2开始进行,如果余数,就说明,可以被除,如果2-他自己没有。就证明他就是素数

程序代码片

#include <stdio.h>
main(){
	int a;
	int z;
	scanf("%d",&a);
	
	for(int s=2;s<a-1;s++){
		if(a%s==0)
			z=1;
		else
			z=2;
	}
	if(z=1)
		printf("NO");
	else
		printf("sushu");
	
}


3) 二维数组的基本排序

基本思路,二维数组的

程序代码片

#include <stdio.h>
main(){
	char a[3][4];
	//三行4列,每行4个
	
	printf("请输入一段文字,将自动分行");
	//输入,
	for(int i=0;i<3;i++)//行
	{
		
		for(int j=0;j<4;j++)//每行的数字
		{
			scanf("%c",&a[i][j]);
			
		}
		
	}//读取输入
	
	for(int s=0;s<3;s++)
	{
		//输出
		for(int b=0;b<4;b++)
		{
			printf("%c",a[s][b]);
			
		}
		printf("\n");
		
		
	}//重复步骤输出
	
}


4)输入一个日期,自动转换为,这是今年第几天了

思路:2个类型,1个是30天的,一个是31天的
判断奇数还是偶数(看%2有没有余数);然后在看加几天

程序代码片

#include<stdio.h>

int main()
{
	int yue;
	int ri;
	int js=0;
	printf("请输入日期:");scanf("%d%d",&yue,&ri);	
	
	for(int i=1;i<=yue;i++)
	{
		if(i%2==0)
		{
			js=js+30;
		}
		
		else if(i%2==1)
		{
			js=js+31;
		}
		
		
	}
	printf("\n这是今年第%d天\n",js+ri);      
	
}

程序运行图
> 这里是引用

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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