面试题11:数值的整数次方

public class Demo11 {
	public double power1(double base,int ex) throws Exception
	{
		if(equal(base,0.0) && ex < 0)
		{
			throw new Exception("error input");
			//return 0.0;
		}
		int absex=ex;
		if(ex < 0)
		{
			absex=Math.abs(ex);
		}
		double result=powerWithUnsigned(base, absex);
		if(ex < 0)
		{
			result=1.0/result;
		}
		return result;
	}
	
	public double power2(double base,int ex) throws Exception
	{
		if(equal(base,0.0) && ex < 0)
		{
			throw new Exception("error input");
			//return 0.0;
		}
		int absex=ex;
		if(ex < 0)
		{
			absex=Math.abs(ex);
		}
		double result=powerWithUnsignedRecursive(base, absex);
		if(ex < 0)
		{
			result=1.0/result;
		}
		return result;
	}
	
	public double powerWithUnsigned(double base,int ex)
	{
		double result=1.0;
		for(int i=1;i<=ex;i++)
		{
			result*=base;
		}
		return result;
	}
	public double powerWithUnsignedRecursive(double base,int ex)
	{
		if(ex == 0)
		{
			return 1;
		}
		if(ex == 1)
		{
			return base;
		}
		//参考公式 当幂为奇数时
		double result=powerWithUnsignedRecursive(base, ex>>1);
		result*=result;
		//当幂为偶数时
		if((ex & 1) ==1)
		{
			result*=base;
		}
		return result;
	}
	//判断底是否等于0(由于存在精度,此时不可直接用==)
	public boolean equal(double d1,double d2)
	{
		if((d1-d2 > -0.0000001) && (d1-d2 < 0.0000001))
			return true;
		else
			return false;
	}
	public static void main(String[] args) throws Exception {
		Demo11 demo=new Demo11();
		System.out.println(demo.power1(0, -1));
		System.out.println(demo.power2(0, -1));
	}

}

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