据说有99%的人都会做错的面试题

      这道题主要考察了面试者对浮点数存储格式的理解。另外,请不要讨论该题本身是否有意义之类的话题。本题只为了测试面试者相关的知识是否掌握,题目本身并没有实际的意义。

下面有6个浮点类型变量,其中前三个是float类型的,后三个是double类型的。题目的代码如下:

float f_v1 = 20;
float f_v2 = 20.3;
float f_v3 = 20.5;
    
double d_v1 = 20;
double d_v2 = 20.3;
double d_v3 = 20.5;
    
cout << ((f_v1 == d_v1)?"true":"false") << endl;
cout << ((f_v2 == d_v2)?"true":"false") << endl;
cout << ((f_v3 == d_v3)?"true":"false") << endl;

问题有如下三个:

  1. 本题的运行结果是什么
  2. 请根据本题的运行结果解释其原因
  3. 如果某个cout语句的输出结果为false,在不改变变量定义语句的前提下,如何扔弃相等呢?

下面我先简要说说如何解答本题,最后再给出答案。

     首先应先了解float和double的存储方式。这里先拿float为例。float一共占4个字节,共32位。分为3部分:符号位、指数位和尾数位。分别占1位、8位和23位,存储结构如图1所示。

                                          图1

     其中如果浮点数为正值,符号位为0,否则为1。指数位采用移位存储,也就是如果表示10^4,需要将4与127(二进制是01111111)相加存入指数位。尾数位决定了float的精度。尾数一共23位,最多可以表示8388607个值,由于没有到9999999,所以float的精度为6,如果表示的数小于8388608,那么精度可到7位。这也是为什么有的书中说float的精度是6到7位的原因。这里并不是所有的数都能精确到7位。

    另外,所谓的精度是指科学计数法E前面的数字的小数个数。例如,1.2345678E10。

这个数用float表示是可以精确到7位,因为2345678小于8388608。如果是1. 9388648E10,那么就只能精确到6位了。

如果理解了这个,还需要了解如何将十进制浮点数转换为二进制浮点数,别告诉我你不会,如果真不会的话,回大学从念吧。总之,浮点数转换是分别转换整数和小数部分。整数部分除2,小数部分乘2。例如,20.5转换为二进制是10100.1,20.3转换为二进制如下:

10100.0100110011001...1001

    其中“...”表示1001部分无限循环。也就是说20.3转换为二进制浮点数是一个而无限循环的二进制浮点数。

最后,需要知道如何用科学计数法表示二进制浮点数(长见识了吧,二进制也可以用科学计数法)。20.5的科学计数法表示是:1.01001E100

20.3的科学计数法表示是:1.0100010011001...E100

现在就可以一个萝卜一坑个了,将对应的数填入图1的三个区域吧。

 

    现在将20.5和20.3都存入double类型的变量,就可以一下看出本题的结果了。double占64位,8个字节。符号位占1位,指数位占11位,尾数位占52位。精度是15或16,原理和float一样。

 

现在公布一下答案:

true

false

true

 

如果还没理解其中的奥秘,可以看详细的视频讲解

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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