墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.2k累计阅读
1.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
可以对任何一个自然数进行若干次运算，最终都可以变为1。
运算规则如下：
（1）若该数是偶数，则变为原数的一半；
（2）若该数是奇数，则变为原数的3倍加1；
（3）重复（1）（2），直到该数变为1。
编写程序实现如下功能：输入一个大于1的自然数，计算按照上述方法最终变换为1共经过的变换次数，并输出变换次数。（输出格式为：直接输出次数即可）
示例1：若输入自然数8，则输出结果为：3。
示例2：若输入自然数5，则输出结果为：5。
参考程序：
注意：仅供参考，考生可以自行设计，结果符合题意即可。
超级会员免费看
num = int(input("输入一个大于1的自然数：")2022年3月电子学会Python等级考试试卷（二级）答案解析
目录 青少年软件编程（Python）等级考试试卷（二级） 分数：100题数：37 一、单选题(共25题，每题2分，共50分) 1. 关于Python中的列表，下列描述错误的是?( ) 2. 已知列表a=[1,3,5,7],下列语句无法将a变成a=[1,3,5,7,9]的是?( ) 3. 关于以下代码段的说法错误的是?( ) 4. 下面程序的运行结果是?( ) 5. 以下关于元组的描述正确的是?( ) 6. 以下程序的输出结果是?( ) 7. 以下代码的输出结果是?( ) 8. 以下..
【电子学会】2022年06月Python二级试卷
（2）程序运行后根据提示信息输入一个健康码（R、Y、G中之一），输入其他字母提示“输入错误请重新输入”；（4）线条颜色顺序依次为红色、蓝色、橘色、绿色（‘red’,‘blue’,‘orange’,‘green’）四个颜色组成的列表（必须使用列表方式进行读取）；（6）当输入“end”时，可以正确地输出提示信息（显示相关统计数据），可以正确的终止循环；（6分，正确显示A区2分，正确显示B区2分，正确显示C区2分）（2）能将画笔颜色设置在列表中；（4）当输入错误时，可以正确的输出判断结果（提示输入有错）；
【电子学会】2022年12月Python二级试卷
如果输入的字符串的长度是奇数，就输出字符串最中间的字符。27、Python中，可以通过索引来访问列表、字符串等序列，也可以通过索引对列表中的元素和字符串中的字符进行修改。1、分别取出该字符串的第偶数位的元素（提醒注意：是按照从左往右数的方式确定字符串的位置）；（6）当用户输入的字符串长度为偶数时，能正确地截取字符串的最后一个字符并输出；（5）当用户输入的字符串长度为奇数时，能正确地截取字符串最中间的字符并输出；26、字典的元素可以通过键来访问，也可以通过索引（下标）来访问。
【电子学会】2022年03月Python一级 -- 编程题37
作图题：请使用turtle画出如下标志。要求：（1）线条颜色为黑色，线条粗细为10；（2）圆半径为50，填充颜色为蓝色；（3）等边三角形边长为180；（4）等边三角形底边中点位置为画布正中心。
2022年6月电子学会Python等级考试试卷（二级）答案解析
青少年软件编程（Python）等级考试试卷（二级） 分数：100题数：37 一、单选题(共25题，共50分) 1. 运行下列程序，输出的结果是？（ ） tup1 = ('苏炳添', '谷爱凌', '北京冬奥会', '2022') tup2 = (201, 8, 4, 21, 155, 255, 22 ) print (tup1[-1::-2],sum(tup2))......
【电子学会】2022年03月Python三级 -- 编程题37
查找“支撑数”。在已知一组整数中，有这样一种数非常怪，它们不在第一个，也不在最后一个，而且刚好都比左边和右边相邻的数大，你能找到它们吗？输入一个数组，输出每个支撑数的数值以及它们在数组中位置编号。示例：输入：请编写程序实现上述功能，补全代码。
【电子学会】2022年06月Python三级 -- 编程题37
请补全下列代码中的①②③④四处。
【电子学会】2022年09月Python一级 -- 编程题37
按照要求绘制一个五角星：1、海龟初始位置的坐标为(0,0)；2、设置画笔大小为5；3、画笔颜色为红色(red)；4、五角星填充颜色为黄色(yellow)；5、五角星大小不限，但是要能清晰看出是五角星，并且完全在考试平台上显示出来。提示：五角星每个角为36度。
2022年9月电子学会青少年编程Python等级考试一级真题解析（Python一级）
2022年9月电子学会青少年编程Python等级考试一级真题解析（Python一级），判断题和编程题
【电子学会】2022年06月Python一级 -- 编程题37
计算长方形的面积要求：（1）利用input()语句输入长方形的长和宽；（2）利用运算符*，求得长方形的面积；（3）利用print()语句输出长方形的面积。输入格式：第一次输入一个数字，代表长方形的长；第二次输入一个数字，代表长方形的宽。（输入有相应的提示信息,如：‘请输入长方形的长：’）输出格式：输出长方形的面积。（输出有相应的提示信息，如：‘长方形的面积为：’）
【电子学会】2022年09月Python三级 -- 编程题37
（1）100, 1000 或者100, 1000, 1；
【电子学会】2022年12月Python一级 -- 编程题37
要求：（１）画一个边长为400的正方形，然后将其平均分割成4份，分割线相交于一点，形成一个田字格，效果如下图：（2）正方形的边框为黑色，分割线的颜色为红色；（3）分割线的交点为画布的中心；（4）最后海龟要隐藏。
py代码-输入一个包含若干自然数的列表，输出这些自然数的平均值， 结果保留3位小数。例如输入[9,7,8,3,2,1,55,6]，输出11.375。
py代码-输入一个包含若干自然数的列表，输出这些自然数的平均值， 结果保留3位小数。例如输入[9,7,8,3,2,1,55,6]，输出11.375。
CMOS传输门（互补开关）实战指南 | 设计优化 + 常见问题解析
本文深入解析CMOS传输门（互补开关）的设计优化与常见问题，涵盖导通特性、版图设计、高频应用及混合信号设计等关键领域。通过实测数据和优化技巧，帮助工程师解决衬底连接、信号完整性等实际问题，提升数字和模拟混合信号设计的效率与可靠性。
LayaNative源码编译
修改好后的LayaNative2.0需要重新编译生成Android和iOS所需要的动态库文件。
STM32F103电压采集proteus仿真
基于HAL库，仿真单片机型号为stm32f103R6，代码keil5。通过单片机的ADC采集功能，测量四路电压，数据经由DMA传输，并将结果通过串口输出，结果比较确，误差在0.01V左右。目前仿真采集四路比较稳定，多了会乱码。proteus版本8.11安装包链接：https://pan.baidu.com/s/1yhNKLl1lGSU9KU0tTuAxcg?pwd=dxe8提取码：dxe8项目下载地址：.
开源 AHB不对称半桥反激电路设计（六）死区时间，谐振腔电流,谐振电感函数表达式
电流跌落可以使副边电流峰值和有效值降低，减小损耗，但如果开关管 S2 导通期间，谐振电流谐等于励磁电流，即副边电流A 点降至 0，会在原边变压器内形成环流，产生损耗，同时也不利于副边同步整流管驱动的正常工作，为了保证开关管 S2 导通期。在开关管 S1 和开关管 S2 均关断的死区时间内，谐振电流给原边开关管结电容和副边整流管结电容充放电，因此会引起开关 S1 关断瞬间电流跌落与开关 S2 关断瞬间电流震荡现象，受寄生参数影响原边谐振电流波形和副边电流波形如图。降到最低，变压器以最高效率向副边传递能量。
深度学习与西储大学轴承数据集（一）
西储大学数据集介绍
一次携程酒店 phantom-token 逆向实战复盘(附python纯算)
摘要 本文介绍了通过分析携程酒店列表页面的数据接口，使用Python实现抓取的方法。主要内容包括： 目标站点为携程酒店列表页，通过开发者工具发现关键接口fetchHotelList 将浏览器请求转换为Python代码，包含请求头(headers)、Cookies和POST数据 提供完整的请求示例代码，包含日期参数、城市ID等必要信息 特别声明仅供学习交流使用，禁止商业用途 展示了如何获取酒店列表数据，包括排序筛选等参数设置 该方法可用于研究酒店数据采集，但需要注意遵守网站使用条款。
情感分析在金融领域的应用：舆情影响股价预测
我们都知道，股价的波动受到多种因素的影响，而大众的情绪和看法就是其中很重要的一部分。我们在日常生活中都有根据别人的评价来判断事物好坏的经验，在金融市场里，舆情就像是大众对某家公司的集体评价，它能反映出市场参与者的情绪和预期。学习这方面的知识，能帮助投资者更好地把握市场动态，做出更明智的投资决策，无论是个人投资者还是金融机构的分析师，都能从中受益。有一天，你看到某家知名企业被曝光了严重的产品质量问题，新闻铺天盖地，股民们也都在热议纷纷，负面情绪弥漫。这时，你会不会觉得这家公司的股价可能要下跌了呢？
Altium Designer(AD)仿真实验操作指南
1：运行仿真2：设置仿真3：放置电源模块4：放置器件模块5：探针。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
8045
扫一扫
