未解决的题-幂函数的奇偶性

[橙]幂函数的奇偶性

Time Limit:1000MS  Memory Limit:65536K
Total Submit:390 Accepted:59

Description

Keys在体育馆打乒乓球的时候,看着球运行的轨迹。突然想到中学时我们都学过函数的奇偶性。如果对于函数f(x)的定义域内的任意一个x值都有 f(-x)=-f(x),那么就称f(x)为奇函数(Odd Function)。如果对于函数f(x)的定义域内的任意一个x值都有f(-x)=f(x),那么就称f(x)为偶函数(Even Function)。如果函数f(x)既是奇函数,又是偶函数,那么就称f(x)为特殊函数(Particular Function)。既不是奇函数,又不是偶函数的函数称普通函数(Ordinary Function)。
对于幂函数f(x)=a1*x^b1+a2*x^b2+....+an*x^bn,(a1..an,b1..bn均为整数),经过合并同类项后(需要合并的话),函数的奇偶性是怎样的呢?很简单吧,现在请聪明的你解决这个问题咯。

Input

输入数据有多组,第一行包括一个数n,接下一行有n个数对(0<=n<=10),依次表示幂函数每个单项式的系数和指数。数据保证在int范围内,当n=0时输出结束。n=0的时候不处理。

Output

对于第i组数据,输出包括一行,首先输出"Case #i: ",然后输出幂函数的类型。
(Odd Function、Even Function、Particular Function、Ordinary Function四种)

Sample Input

1 
1 2
2 
2 3 1 -4 
0

Sample Output

Case #1: Even Function
Case #2: Ordinary Function
这题很多人都过了,为什么就是wa呢,和别人讨论了很长时间没没有弄出来,注意负奇数对2取是-1而不是1
 
View Code
 1 #include <cstdlib>
2 #include <iostream>
3
4 using namespace std;
5
6 int main(int argc, char *argv[])
7 {
8 int n;
9 int a[20],b[20];
10 int icase=1;
11 while(cin>>n)
12 {
13 for(int i=0;i<n;i++)
14 cin>>a[i]>>b[i];
15 bool odd=true;
16 bool even=true;
17 for(int i=0;i<n;i++)
18 {
19 long long t=a[i];
20 for(int j=0;j<n;j++)
21 if(i!=j&&b[j]==b[i])
22 t+=a[j];
23 if(t!=0&&(b[i]&1)) even=false;
24 if(t!=0&&(b[i]&1)==0) odd=false;
25 cout<<t<<""<<b[i]<<""<<even<<""<<odd<<endl;
26 }
27 printf("Case #%d: ",icase++);
28 if(odd&&even) printf("Particular Function\n");
29 else if(odd)
30 printf("Odd Function\n");
31 else if(even)
32 printf("Even Function\n");
33 else
34 printf("Ordinary Function\n");
35 }
36 system("PAUSE");
37 return EXIT_SUCCESS;
38 }


转载于:https://www.cnblogs.com/one--world--one--dream/archive/2011/12/03/2274972.html

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
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