计算机进制之间的转化

进制,也就是进制位。我们常用的进制包含:二进制、八进制、十进制,十六进制;

它们之间区别在于数运算时是逢几进一位,二进制是逢二进一位,十进制(0~9)是逢10进一位。

我们来看一幅图:

二进制:0-1,满2进1。

十进制0-9,满10进1。

八进制0-7,满8进1。

十六进制0-9,A-F,满16进1,用0x开头表示。

1.1 如何将十进制转换成二进制数?

首先,我们需要先了解一下,什么是二进制数?二进制数是用0和1的数码来表示的数,它的基数是2,进位规则是“逢二进一”,借位规则是“借一当二”。

学习了理论以后,我们来看一个例子:

如何将十进制31转换成二进制数?下面是转换的方法。

 

以上,我们可以得出结果:(31)10 = (00011111)2

方法:十进制转换成二进制,采用的是将被转化的十进制数连续除以2,取余数。能被2整除的余数标记为0,不能被2整除的余数标记为1。直到最后的商为0,取余数完毕(余数为权位上的数)。然后将得到的余数自下而上的排列开来。我们知道一个字节是8位,高位不足的,我们补0。

注意:1(被除数)÷2(除数) = 0(商)--- 1(余数),即0(商)×2(除数) + 1(余数)= 1(被除数)。

这里我们可以得到余数和除数的关系,余数一定要小于除数,余数 < 除数。

1.2 如何将十进制转二进制数?

我们接着上面的例子,来讲讲如何将二进制数00011111转换成十进制?

方法:将二进制的数按权位展开,相加即得十进制数。

 

 

 

以上,我们可以得出结果:00011111)2 = (31)10;

我们知道,十进制,是逢十进一,个位(1)、十位(10)、百位(100)等的确定,我们可以得出都是10的倍数。

同理,二进制的其实也是一样的,即为逢二进一,个位(1)、十位(2)、百位(4)等的来确定。

但是不同的是,一个二进制的数,有8个字节,通过0和1来来表示。如(31)10 = (00011111)2;

我们都知道,1个字节等于8个二进制位。

8个二进制位,分别代表了,1,2,4,8,16,32,64,128。字节是8位的数据单元,一个字节可以表示0-255的十进制数据(全部为0是0,全部为1是255)。

那下面,我们接着来思考,如何表示(37)10的二进制数呢?下面我们来动动手吧。

37 = 32 + 4 + 1 = 2^5 + 2^2 + 2^0 = (00100101)2。

由上可知,占了位有数字的,表示1,没有的都有0来填充。

当然,我们也可以参照上面的方法(竖式除以2取余倒取)来将一个十进制的数转换成二进制。

同样,我们可以求出结果为:(37)10 = (00100101)2

2.1 如何将二进制转换成八进制数?

方法:3位二进制数按权展开相加得到1位八进制数。(注意:3位二进制数转成八进制数是从右到左开始转换,不足时补0)。

 第一步,将二进制取三合一;

 第二步,按权展开求合;

 第三步,得到八进制数。

2.2 如何将八进制转换成二进制数?

3.1 如何将二进制转换成十六进制数?

方法4位二进制数按权展开相加得到1位十六进制数。(注意:4位二进制数转成十六进制数是从右到左开始转换,不足时补0)。

 第一步,将二进制取四合一;

 第二步,按权展开求合;

 第三步,得到十六进制数。

十进制和十六进制对应表:

3.2 如何将十六进制转换成二进制数?

方法十六进制数通过除以2取余数,得到二进制数,每个十六进制数为四个二进制数位,不足的在最左边补0。

4.1 如何将十进制转换成八进制或是十六进制?

方法:直接把十进制转换成八进制或是十六进制,按照除以8或是16取余,直到商为0为止。

(37)10 = (45)8

(37)10 = (25)16

4.2 如何将八进制或是十六进制转换成十进制

方法:把八进制或是十六进制按权展开,相加得到十进制数。

 

转载于:https://www.cnblogs.com/niuwa/p/7768162.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