数据的表示和运算(2.2 定点数的表示和运算)

本文介绍了计算机中定点数的不同表示方法,包括无符号数、有符号数、原码、补码、反码和移码等概念,并通过具体示例进行了解释。

说明:本章节仅限于作者个人对王道考研书的学习总结和研究,内容如侵权,联系我删除!!!

表示:

2.2.1 定点数的表示

1. 无符号数和有符号数的表示

定义
有符号

高位为0表示正数,低位为1表示负数。在8位PC中

+3的二进制为 0000 0011

-3的二进制为 1000 0011

无符号高位也代表数值。在8位PC中,255的二进制表示为 1111 1111

2.机器数的定点表示

定义示例
定点小数约定小数点位置在符号位之后、有效数值部分最高位之前。1.1010表示-0.1010
定点整数约定小数点位置在有效数值部分最低位之后。

3.原码、补码、反码、移码

纯小数纯整数纯小数(字长n+1)表示范围纯整数(字长n+1)表示范围
原码

真值大于0,则符号位为0。真值x=0.50,则x的原码表示为0.100 0000

真值小于0,符号位为1。真值x=-0.5,则x的原码表示为1.100 0000

真值大于0,则符号位为0。真值x=10,则x的原码表示为0000 1010

真值小于0,符号位为1。真值x=-10,则x的原码表示为1000 1010

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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