位数相乘

随笔-字符串相乘(按位相乘法) 题目:给定两个以字符串形式表示的非负整数 num1 和 num2,返回 num1 和 num2 的乘积,它们的乘积也表示为字符串形式。 示例 1: 输入: num1 = “2”, num2 = “3” 输出: “6” 示例 2: 输入: num1 = “123”, num2 = “456” 输出: “56088” 说明: num1 和 num2 的长度小于110。 num1 和 num2 只包含数... 阅读详情

描述:

写一个persistence()方法,将一个长整数n的每位数不断相乘,直到得到单个数字,返回相乘的次数。

例如:

persistence(39) == 3 // 因为 3*9 = 27, 2*7 = 14, 1*4=4
// 并且4是单个数字

persistence(999) == 4 // 因为 9*9*9 = 729, 7*2*9 = 126,
// 1*2*6 = 12, 1*2 = 2

persistence(4) == 0 // 因为4本身就是单个数字

MyCode:

using System;

public class Persist 
{
    public static int Persistence(long n) 
    {
        int count = 0;//声明要返回的次数

        while(n > 9)
        {
          int x = 1;
          string str = n.ToString();//转化n为字符串,赋给str
          int[] arr = new int[str.Length];
          for(int j = 0;j < str.Length;j++)//用for循环给数组赋值
          {
            arr[j] = str[j] - 48;//利用ASCII码char转int => "0" - 48 = 0
          }
          foreach(int i in arr)//遍历数组,位数相乘
          {
            x = x * i;
            n = x;
          }
          count++;       
        }

        return count;
    }
}

CodeWar:

using System.Linq;

public class Persist 
{
  public static int Persistence(long n)
  {
    long nF = n.ToString().Aggregate(1,(a,b) => a * (b - '0'));
    return n < 9 ? 0 : 1 + Persistence(nF);
  }
}
求两个三位数相乘得到的最大回文数 求两个三位数相乘得到的最大回文数 所谓的回文数是指: 一个像14641这样“对称”的数,即:将这个数的数字按相反的顺序重新排列后,所得到的数和原来的数一样。这里,“回文”是指像“妈妈爱我,我爱妈妈”这样的,正读反读都相同的单词或句子。 例如由两个两位数相乘得到的最大回文数为9009,9009 = 91 * 99。这里要求的是两个三位数相乘得到的最大回文数。 下面内容的侧重点是如何提高寻找这样一个回文数的效率,而不再阐述具体每一段代码所表示的含义。 按照正常的枚举法思路,程序要实现的功能为,从100到99 阅读详情

相关推荐

Docker “docker login“ 失败? 登录阿里云镜像仓库仓库 unauthorized: authentication required

文章目录听说你 login fail?来,让我们解决一下!登录,撒花 听说你 login fail? 美滋滋的在服务器上安装完成Docker应用,开始配置阿里云镜像加速?然后被阿里云官方文档蹂躏?别急别急,让我来拯救你。 我们先来看看 阿里云官方文档 Docker镜像基本操作: 好家伙,emmm… 上来直接就Login Succeeded,这不简直so easy?我们也来照着操作操作: docker@default-online:~$ docker login registry.cn-hangzhou.a

zhuzicc的博客 1万+

[算法和数据结构入门][Day5]数字相乘的次数(获取多位数字的乘法持久性)

编写一个函数persistence,它接受一个正参数num并返回它需要相乘的次数,这里需要将num中的数字相乘直到得到一个数字的次数。 比如输入39,结果为3,因为 39 = 27, 27 = 14, 1*4=4,一共相乘了3次 法一: def persistence(n): count = 0 n_str = str(n) while len(n_str) > 1...

KaelCui的博客 1485

Windows系统下LaTeX环境搭建与编辑器配置全攻略

本文详细介绍了在Windows系统下搭建LaTeX环境的完整流程,包括TeX Live的安装、TeXStudio编辑器的配置优化以及常见问题排查。特别针对中文用户推荐使用清华镜像源加速下载,并提供了XeLaTeX编译器配置、中文支持等实用技巧,帮助用户快速上手LaTeX文档编写。

weixin_42554408的博客 449

补码一位乘法

补码一位乘法一,补码一位乘法的基本方法二,补码一位乘法的举例 一,补码一位乘法的基本方法 设[X]补=X0X1X2X3...Xn[Y]补=Y0Y1Y2Y3...Yn可证明:[X∗Y]补=[X]补∗(0.Y1Y2Y3...Yn)−Y0∗[X]补进一步展开合并后可得:[X∗Y]补=[X]补∗∑i=1n(Yi+1−Yi)2−i(符号位参加运算)由公式得出补码一位乘法的运算规则如下:(1)如果Yn+1=Y...

qq_43355372的博客 3万+

5分钟搞定!用FunASR在本地快速部署达摩院Paraformer语音识别模型(附常见问题解决)

本文详细介绍了如何在本地快速部署阿里达摩院开源的Paraformer语音识别模型。通过FunASR工具包,用户可在5分钟内完成环境配置、模型下载与基础识别,并掌握批量处理、性能调优及构建API服务等进阶技巧。文章重点解析了Paraformer的非自回归架构带来的速度优势,并提供了音频格式转换、依赖冲突、显存不足等常见问题的实战解决方案,助力开发者实现高效、离线的语音转写应用。

p1q2r的博客 708

LlamaIndex 入门实战

LlamaIndex是一个“数据框架”,用于帮助构建LLM应用程序。它提供了各种工具,包括数据连接器,用于摄取现有数据源和数据格式(API,PDF,文档,SQL等),以及用于将数据结构化(索引,图形)以便与LLM轻松使用的方式。此外,LlamaIndex还提供了高级的检索/查询接口,可以输入任何LLM输入提示,并返回检索到的上下文和增强知识的输出。它还允许与外部应用程序框架(如LangChain,Flask,Docker,ChatGPT等)轻松集成。

AIGC搞起 1万+

输入一个多位数,将这个数每一位相乘,再将积继续上一步操作,求经过几次操作后,积变成一位数?

// 输入一个多位数,将这个数的每一位进行相乘,再将积继续上一步操作,求经过几次操作,积变成一位数? function a(){ var n = 88888; var index =0; //索引值,用来计算“将一个多位进行每一位进行相乘”的次数 var arr = []; //创建一个空数组,用来装这个多位数的每一位

Libby的博客 1438

Altium Designer 20/21/22/23版本汉化与库管理全攻略(附避坑指南)

本文系统梳理了Altium Designer 20/21/22/23等多个版本的汉化方案与库管理全流程。针对不同版本的中文支持差异,提供了安全的汉化设置指南与版本选择建议。重点详解了原理图库、PCB封装库及集成库的创建、管理与团队协作最佳实践,并附有常见问题避坑指南,帮助硬件工程师高效搭建稳定的设计环境。

rgv234567的博客 1117

vb两位数相乘程序

一·实验目的      实现两位数相乘。实现两位数的逐一相乘,并实现加法和乘法的进位。例如:27乘以34,4乘以7等于28进2,各位保留下8,2乘以4等于8加上2等于10 ,进1。然后3乘以7等于21,进2,1加上0等于1,2乘以3等于6加上2等于8,加上1等于9结果为0918。 二·实验内容      首先打开vb6.0中文版,在窗体上画出三个label,前两个label分别写上n,m,第

F1594601537qq的专栏 2020

RK3588与FPGA高速PCIe通信:从理论带宽到实战优化的全流程解析

本文深入解析了瑞芯微RK3588与FPGA之间基于PCIe Gen2的高速通信全流程。从理论带宽计算(约1640MB/s)出发,详细拆解了硬件连接、驱动加载、DMA配置等关键步骤,并重点分享了中断优化、内存管理及高级调优等实战技巧,旨在帮助开发者从“跑通”到“跑好”,实现接近理论极限的稳定高效数据传输。

weixin_29175469的博客 335

ros1 ubuntu22.04 安装教程

ROS1 ubuntu22.04 安装教程

autolabor的博客 9197

一位数与一位数相乘

一位数与一位数的相乘,细节挺多,要认真!!

qq_34242683的博客 508

37、深入解析SCTP与RTP传输协议

本文深入解析了SCTP与RTP两种重要传输协议。SCTP提供可靠的多流数据传输,支持关联管理、选择性确认和错误处理,适用于高可靠性场景;RTP则专注于实时音视频数据的低延迟传输,配合RTCP实现质量监控。文章详细介绍了两种协议的数据结构、工作流程及应用场景,并对比其特性,帮助开发者根据可靠性、实时性和多流需求选择合适的协议。

time3的博客 86

实现大位数相乘算法

实现一个计算大位数(如100位以上)相乘结果的函数(请完全用算法实现)#include#include#includemultiply(char * a_strMultp1,char * a_strMultp2){        int Len1; // the length of multiplier1    int Len2; // the length of multiplier2    L

wwjj007的专栏 1055

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

个位数(一位数)相乘

Msj809487820的博客 682

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

matlab多项式相乘的法则_多项式乘法、十字相乘法与三位数的乘法

十字相乘法的实质是多项式的乘法,一个三位数也可以写成多项式的形式,所以两个三位数的乘法,可以利用多项式的乘法横向展开来做,还可以利用十字相乘法列竖式划十字来做。本文只是在初中学过多项式乘法和十字相乘法之后,回头再验证小学数的乘法法则的正确性,以及多项式的乘法与十字相乘法在具体应用方面做一点探讨,给学生和数学爱好者提供一个看问题的视角,绝无意取代小学所学的方法,特此说明。一。多项式乘法与三位数的乘法...

weixin_29533307的博客 2266

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

带符号多数位数相乘

带有符号的多位数相乘 以199×29为例 基本时执行步骤如下图 完整代码 #include &amp;lt;stdio.h&amp;gt; #include &amp;lt;string.h&amp;gt; #include&amp;lt;stdlib.h&amp;gt; #define NUM 64 //定义最大的位数 //计算操作 操作函数 void count(const char *data1,const char* data2...

勿忘初心,方得始终 2234

VB中几位数的相乘的编程

今天上的事计算机课程,所以少不了要制作VB工程,今天的课程是制作两个几位数的相乘,过程中遇到了很多的问题,但是也是经过不懈努力,额,当然有上网问一下百度大婶啦,不过今天有一点不给力,我们都不知道怎么做,后来还是我们老师教我们做的一个大概,不过,海华丝留给我们一些个小细节,让我们去补充,让我们呢去完美它,最后还是做出来了。嘿嘿,挺好的……     Option Base 1   Priva

guopiaoyun2012的专栏 824

JAVA输出1 10与5相乘的结果_完美起航-用java数组展示计算机的多位数相乘

用java数组展示计算机的多位数相乘我们通常用java语言实现多位数相乘时,都是直接输入两个数然后便会输出结果例如:System.out.print(1234*567);便直接得到结果: 699678那计算机里面是怎么实现多位数相乘的呢?换句话说,计算机不可能储存每个数相乘的结果。和我们计算乘法一样——我们用所背乘法口诀表来计算。计算机只记录了乘法表的结果,然后以此为基础计算所有多少位数相乘的结果...

weixin_28968285的博客 906

用java数组展示计算机的多位数相乘

用java数组展示计算机的多位数相乘 我们通常用java语言实现多位数相乘时,都是直接输入两个数然后便会输出结果 例如:System.out.print(1234*567); 便直接得到结果: 699678 那计算机里面是怎么实现多位数相乘的呢? 换句话说,计算机不可能储存每个数相乘的结果。和我们计算乘法一样——我们用所背乘法口诀表来计算。计算机只记录了乘法表的结果,然后以此为基础计算所有多少位数相乘的结果。 例: 下面我们用java数组展示下用这个原理来计算多位数: 1、引进两个乘数并放入数组中

dfight23的博客 2528

两位数相乘【口算宝典】

小朋友们听好了:积的个位是两个数个位的积。十位是两位数不同位交叉乘积的和,高位是两数十位的积,且遵循满十向前一位进位。公式:积=(十位乘积)(被乘数十位×乘数个位+被乘数个位×乘数十位)(个位乘积)例子:23×16=(2×1)(2×6+3×1)(3×6)=3 6 8 转载于:https://blog.51cto.com/xuqin/1601575...

weixin_34122604的博客 248

证明三位数相乘得到最大的回文数

 //证明是回文数组。 public class Test1019 {  public static void main(String[] args) {   Test1019 test=new Test1019();   /*int [] a={1,3,5,4,3,1};          System.out.println( test.getResult(a));*/

xiongqing0125的博客 990

任意两位数相乘速算平方数

任意两位数相乘: ab * cd = (a*d+b*c)*10+(a*c)连上(b*d)即加到中间 43*85=(4*5+3*8)+(4*8)连上(3*5)=(44)*10+3215=3655 32*32=(12)+(09 lian04)= 0904+0120=1024

drbinzhao的专栏 8027

输入两个自然数,输出他们相乘后数的位数

输入两个自然数,输出他们相乘后数的位数。(1 /************************* *  *  求A*B的位数 * *  可以用数学log10()函数来解决相乘两数的位数问题 *  *  赵宣 *  *  2015.4.19 *   *  bug 无 *   * ******************************/ #includ

夏雨天~ 854

求三位数相乘的最大回文数?

public class Test { public static void main(String[] args){ int i,j ; int a = 0,b=0; int m; int max = 0; for( i=999;i>=100;i--) { for(  j=999;j>=100;j--) { m = i*j; if(Pdr(m)) { if(m>ma

zengzhao1997的博客 1463
上一篇: 中出叛徒
下一篇: 删除重复
Coding_ZXY
博客等级 码龄10年 2粉丝 10原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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