php ronud_PHP中round()函数对浮点数进行四舍五入的方法

本文详细介绍了PHP中round()函数的用法,用于对浮点数进行四舍五入。文章通过实例展示了该函数的基本语法和参数说明,并对比了不同参数设置下的结果。此外,还提出了一种stdround()函数的实现,以解决PHP在特定情况下的四舍五入问题。最后,文章通过添加极小数值来探讨了round()函数在精确度上的表现。
摘要由CSDN通过智能技术生成

本文实例讲述了PHP中round()函数对浮点数进行四舍五入的方法。分享给大家供大家参考。具体方法如下:

语法:round(x,prec)

参数

描述

x

可选,规定要舍入的数字.

prec

可选,规定小数点后的位数.

说明:返回将 x 根据指定精度 prec(十进制小数点后数字的数目)进行四舍五入的结果,prec 也可以是负数或零(默认值).

提示和注释

注释:php默认不能正确处理类似 "12,300.2" 的字符串.

注释:prec 参数是在 php 4 中被引入的,实例代码如下:

*/

echo round(3.4);         //输出3

echo "
";

echo round(3.5);         //输出4

echo "
";

echo round(3.6);         //输出4

echo "
";

echo round(3.6,0);         //输出4

echo "
";

echo round(1.95583,2);        //输出1.96

echo "
";

echo round(1241757,-3);        //输出1242000

echo "
";

echo round(4.045,2);         //输出4.05

echo "
";

echo round(4.055,2);         //输出4.06

//使用stdround函数代替php的round函数

?>

function   stdround($num,   $d=0)

{

return   round($num   +   0.0001   /   pow(10,   $d),   $d);

}

echo   "round(1.005,2)= ".round(1.005,2). "n ";

echo   "round(1.015,2)= ".round(1.015,2). "n ";

echo   "round(1.025,2)= ".round(1.025,2). "n ";

echo   "round(1.035,2)= ".round(1.035,2). "n ";

echo   "round(1.045,2)= ".round(1.045,2). "n ";

echo   "round(1.055,2)= ".round(1.055,2). "n ";

echo   "round(1.065,2)= ".round(1.065,2). "n ";

echo   "round(1.075,2)= ".round(1.075,2). "n ";

echo   "round(1.085,2)= ".round(1.085,2). "n ";

echo   "round(1.095,2)= ".round(1.095,2). "n ";

echo   "stdround(1.005,2)= ".stdround(1.005,2). "n ";

echo   "stdround(1.015,2)= ".stdround(1.015,2). "n ";

echo   "stdround(1.025,2)= ".stdround(1.025,2). "n ";

echo   "stdround(1.035,2)= ".stdround(1.035,2). "n ";

echo   "stdround(1.045,2)= ".stdround(1.045,2). "n ";

echo   "stdround(1.055,2)= ".stdround(1.055,2). "n ";

echo   "stdround(1.065,2)= ".stdround(1.065,2). "n ";

echo   "stdround(1.075,2)= ".stdround(1.075,2). "n ";

echo   "stdround(1.085,2)= ".stdround(1.085,2). "n ";

echo   "stdround(1.095,2)= ".stdround(1.095,2). "n ";

$m=0.000000000000001;

echo   "n ";

echo   "round(1.005+{$m},2)= ".round(1.005+$m,2). "n ";

echo   "round(1.015+{$m},2)= ".round(1.015+$m,2). "n ";

echo   "round(1.025+{$m},2)= ".round(1.025+$m,2). "n ";

echo   "round(1.035+{$m},2)= ".round(1.035+$m,2). "n ";

echo   "round(1.045+{$m},2)= ".round(1.045+$m,2). "n ";

echo   "round(1.055+{$m},2)= ".round(1.055+$m,2). "n ";

echo   "round(1.065+{$m},2)= ".round(1.065+$m,2). "n ";

echo   "round(1.075+{$m},2)= ".round(1.075+$m,2). "n ";

echo   "round(1.085+{$m},2)= ".round(1.085+$m,2). "n ";

echo   "round(1.095+{$m},2)= ".round(1.095+$m,2). "n ";

echo   "round(1.005,2)= ".round(1.005,2). "n ";

echo   "round(1.015,2)= ".round(1.015,2). "n ";

echo   "round(1.025,2)= ".round(1.025,2). "n ";

echo   "round(1.035,2)= ".round(1.035,2). "n ";

echo   "round(1.045,2)= ".round(1.045,2). "n ";

echo   "round(1.055,2)= ".round(1.055,2). "n ";

echo   "round(1.065,2)= ".round(1.065,2). "n ";

echo   "round(1.075,2)= ".round(1.075,2). "n ";

echo   "round(1.085,2)= ".round(1.085,2). "n ";

echo   "round(1.095,2)= ".round(1.095,2). "n ";

?>

希望本文所述对大家的PHP程序设计有所帮助。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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