2016届蓝桥杯 Java C组 省赛试题及答案

第十六届蓝桥杯大赛软件赛省赛 Java 大学 C 组 同时,老师希望所消耗的电源线的长度尽可能的少,把结果填空的答案直接通过网页提交即可,不要书写多余的内容。注意:在评卷时使用的输入数据与试卷中给出的示例数据可能是不同的。小蓝想知道,有多少种不同的颜色是偏蓝的。小蓝想知道,如果他依次从每一个格子开始出发,按照最优策略,他最高。整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。对同一题目,选手可多次提交答案,以最后一次提交的答案为准。:要求选手设计的程序对于给定的输入能给出正确的输出结果。 阅读详情

在之前其实写了一篇2015年决赛的文章,但是发现每一条我感觉都要去翻阅别人的代码,这样子的效率太低了,所以赶紧开始做2016届的省赛题

结果填空

有奖猜谜

题目

小明很喜欢猜谜语。
最近,他被邀请参加了X星球的猜谜活动。

每位选手开始的时候都被发给777个电子币。
规则是:猜对了,手里的电子币数目翻倍,
猜错了,扣除555个电子币, 扣完为止。

小明一共猜了15条谜语。
战果为:vxvxvxvxvxvxvvx
其中v表示猜对了,x表示猜错了。

请你计算一下,小明最后手里的电子币数目是多少。

请填写表示最后电子币数目的数字。
注意:你提交的应该是一个整数,不要填写任何多余的内容或说明性文字。

思路

这毕竟第一条嘛没啥难度,直接计算器算都可以算出来,所以就不过多的说啥了。

答案

58497

代码
public class Main {
   
   

	public static void main(String[] args) {
   
   
		int x = 777;
		int[] b = {
   
    1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 1, 0 };
		for (int i = 0; i < b.length; i++) {
   
   
			if (b[i] == 1) {
   
   
				x *= 2;
			} else {
   
   
				x -= 555;
			}
		}
		System.out.println(x);
	}

}

煤球数目

题目

有一堆煤球,堆成三角棱锥形。具体:
第一层放1个,
第二层3个(排列成三角形),
第三层6个(排列成三角形),
第四层10个(排列成三角形),
…
如果一共有100层,共有多少个煤球?

请填表示煤球总数目的数字。
注意:你提交的应该是一个整数,不要填写任何多余的内容或说明性文字。

思路

对,这是一条找规律的题目,你们可能已经做出来了,但是愚蠢的我居然还看了答案才知道,天呐,这么简单的规律我都没想到真的很蠢, 总想着是什么 2^n-1 之类相对比较复杂的答案,然后看了答案后都怀疑自己是不是个傻子。。。

答案

171700

代码
public class Main {
   
   

	public static void main(String[] args) {
   
   
		int num = 0, sum = 0;
		for (int i = 1; i <= 100; i++) {
   
   
			num += i;
			sum += num;
		}
		System.out.println(sum);
	}

}

平方怪圈

题目

如果把一个正整数的每一位都平方后再求和,得到一个新的正整数。
对新产生的正整数再做同样的处理。

如此一来,你会发现,不管开始取的是什么数字,
最终如果不是落入1,就是落入同一个循环圈。

请写出这个循环圈中最大的那个数字。

请填写该最大数字。
注意:你提交的应该是一个整数,不要填写任何多余的内容或说明性文字。

思路

这道题我一开始做的时候就直接找了几个数手算算出了最终结果,比赛的时候还是聪明点,只要能得出答案就行,但现在毕竟是在练习嘛我还是选择写了代码运行出最终结果,代码有点乱并不是最优代码,但我感觉稍微看看应该看得懂的.

答案

145

代码
public class Main {
   
   
	static int sum;

	public static void main(String[] args) {
   
   
		int time = 0, max = 0;
		loop: for (int i = 1; i < 100; i++) {
   
   
			getSum(i);
			if (time == 1000) {
   
   
				System.out.println(max);
				break;
			} else {
   
   
				while (time < 1000) {
   
   
					if (sum == 1) {
   
   
						time = 0;
						continue loop;
					}
					getSum(sum);
					if (max < sum) {
   
   
						max = sum;
					}
					time++;
				}
			}
		}
	}

	public static void getSum(int n) {
   
   
		String str = String.valueOf(n);
		char[] charArrays = str.toCharArray();
		sum = 0;
		for (int i = 0; i < charArrays.length; i++) {
   
   
			sum += Math.pow((int) charArrays[i] - 48, 2);
		}
	}

}

代码填空

骰子游戏

题目

我们来玩一个游戏。
同时掷出3个普通骰子(6个面上的数字分别是1~6)。
如果其中一个骰子上的数字等于另外两个的和,你就赢了。

下面的程序计算出你能获胜的精确概率(以既约分数表示)

public class Main
{
   
   
	public static int gcd(int a, int b)
	{
   
   
		if(b==0) return a;
		return gcd(b,a%b);
	}
	
	public static void main(String[] args)
	{
   
   	
		int n = 0;
		for(int i=0; i<6; i++)
		for(int j=0; j<6; j++)
		for
2020年 第11届 蓝桥杯 Java B组 省赛真题详解及小结【第1场省赛 2020.7.5】 一、试题 A: 解密 解法一:手工计算 解法二:编程计算 indexOf()+substring() 二、试题 B: 纪念日 解法一:使用“计算器”求解 解法二:使用“日期类”求解(SimpleDateFormat+Date) 解法三:使用“日期类”求解(Date) 三、试题 C: 合并检测 四、试题 D: 分配口罩 五、试题 E:斐波那契数列最大公约数 六、试题F: 分类计数 七、试题G: 八次求和 八、试题 H: 字符串编码 九、试题 I: BST 插入节点问题 十、试题 J 小结 阅读详情

相关推荐

2021年 第12届 蓝桥杯 Java B组 省赛真题详解及小结【第1场省赛 2021.04.18】

2021年 第12届 蓝桥杯 Java B组 省赛真题详解及小结【第1场省赛 2021.04.18】

upward 9306

2020年 第11届 蓝桥杯 Java B组 省赛真题详解及小结【第2场省赛 2020.10.17】

一、试题 A: 门牌制作——答案:641 解法一:x % 10 == 2 解法二:双重for循环+字符数组 二、试题 B: 寻找 2020——答案:16520 三、试题 C: 蛇形填数——答案:761 解法一:规律推公式 (n-1)(2n-1)+n 解法二:手工计算(写满两页A4演草纸) 四、试题 D: 七段码——答案:80 五、试题 E: 排序——jonmlkihgfedcba 六、试题 F: 成绩分析 七、试题 G: 单词分析 八、试题 H: 数字三角形 九、试题 I: 子串分值 十、试题 J: 装饰珠

upward 1万+

2019年 第10届 蓝桥杯 Java B组 省赛真题详解及总结

01-试题 A: 组队 02-试题 B: 不同子串 解法一 解法二 03-试题 C: 数列求值 04-试题 D: 数的分解 解法一 解法二 解法三 05-试题 E: 迷宫 06-试题 F: 特别数的和 解法一 解法二 解法三 07-试题 G: 外卖店优先级 08-试题 H: 人物相关性分析 H人物相关性分析_split分析 H人物相关性分析 H人物相关性分析2 H人物相关性分析3 09-试题 I: 后缀表达式 10-试题 J: 灵能传输

upward 8871

2020年 第11届 蓝桥杯 Java C组 省赛真题详解及小结【第1场省赛 2020.7.5】

一、试题 A: 指数计算 解法一:使用“计算器”求解 解法二:大整数BigInteger 二、试题 B: 解密 解法一:手工计算 解法二:编程计算 indexOf()+substring() 三、试题 C: 跑步训练 四、试题 D: 合并检测 五、试题 E: REPEAT 程序 六、试题 F: 分类计数 七、试题 G: 整除序列 解法一:ArrayList改进 解法二:快速位运算改进 八、试题 H: 走方格 九、试题 I: 字符串编码 十、试题 J: 整数小拼接

upward 7594

2020年 第11届 蓝桥杯 C/C++ B组 省赛真题详解及小结【第1场省赛2020.7.5】【Java版】

一、试题 A: 跑步训练 方法一 方法二 二、试题 B: 纪念日 方法一:使用“计算器”求解 方法二:使用“日期类”求解(SimpleDateFormat+Date) 方法三:使用“日期类”求解(Date) 三、试题 C: 合并检测 四、试题 D: REPEAT 程序 五、试题 E: 矩阵 六、试题 F: 整除序列 解法一:ArrayList 解法二:快速位运算 七、试题 G: 解码 解法一:替换字符 解法二:boolean isDigit(char ch) 八、试题 H: 走方格 九、试题 I: 整数..

upward 6979

2021年 第12届 蓝桥杯 Java B组 省赛真题详解及小结【第2场省赛 2021.05.09】

2021年 第12届 蓝桥杯 Java B组 省赛真题详解及小结【第2场省赛 2021.05.09】

upward 4941

2021年 第12届 蓝桥杯 Java B组 决赛真题详解及小结【2021.06.05】

2021年 第12届 蓝桥杯 Java B组 决赛真题详解及小结【2021.06.05】

upward 4779

2020年 第11届 蓝桥杯 Java B组 决赛真题详解及小结

一、试题 A: 美丽的 2(本题总分:5 分)——答案:563 二、试题 B: 扩散(本题总分:5 分)——答案:20312088 三、试题 C: 阶乘约数(本题总分:10 分)——答案:39001250856960000 四、试题 D: 本质上升序列(本题总分:10 分)——答案:5977 五、试题 E: 玩具蛇(本题总分:15 分)——答案:552 六、试题 F: 蓝肽子序列 七、试题 G: 皮亚诺曲线距离 八、试题 H: 画廊 九、试题 I: 补给 十、试题 J: 质数行者

upward 5827

2021年 第12届 蓝桥杯 第1次模拟赛真题详解及小结【Java版】

模拟赛网页截图 一、试题A——答案:25600 二、试题B——答案:12 三、试题C——答案:6973 四、试题D——答案:2039190 五、试题E——答案:217 六、试题F 七、试题G 八、试题H 九、试题I 十、试题J

upward 8307

2021年 第12届 蓝桥杯 第4次模拟赛真题详解及小结【Java版】

2021年 第12届 蓝桥杯 第4次模拟赛真题详解及小结【Java版】

upward 3273

2021年 第12届 蓝桥杯 第2次模拟赛真题详解及小结【Java版】

模拟赛网页截图 一、试题A——答案:168 二、试题B——答案:14 三、试题C——答案:2002 四、试题D——答案:65 解法一:找规律(累加求和) 五、试题E——答案:162 解法一:双重for循环遍历所有组合 六、试题F 解法一:整数相乘 七、试题G 解法一:整数运算 八、试题H 解法一:【求巨佬代码】 九、试题I 解法一:【求巨佬代码】 十、试题J 小结

upward 9008

这是2018年省赛第九届蓝桥杯真题Java(C组)

这是2018年省赛第九届蓝桥杯真题Java(C组),新鲜出炉。。

【蓝桥杯大赛】第十六届蓝桥杯大赛软件赛省赛Java大学C组试题解析与规则说明:涵盖结果填空与程序设计题型及具体要求了文档的主要内容

内容概要:本文档详细介绍了第十六届蓝桥杯大赛软件赛省赛 Java大学C组的比赛规则、注意事项以及具体题目的描述。比赛时长为4小时,选手需通过浏览器提交答案,且只能使用Java自带的类库。试题分为“结果填空”和“程序设计”两类,涵盖多个知识点如颜色表示、字符串处理、图形绘制、最短路径计算、数据结构管理、资源分配优化及动态规划等。每个题目都设有明确的时间和空间限制,并提供了详细的输入输出格式及样例说明。 适合人群:具备一定编程基础,特别是熟悉Java语言的大学生及编程爱好者。 使用场景及目标:①帮助参赛者熟悉蓝桥杯比赛流程和规则;②通过练习提高解决实际问题的能力,掌握常见算法和数据结构的应用;③为准备参加类似竞赛的学生提供参考和指导。 其他说明:文档还给出了各题目的评分标准和评测用例规模,确保选手能够根据自身水平选择合适的练习方向,并为正式比赛做好充分准备。此外,强调了代码提交规范,如主类名为Main,不允许使用package语句等细节。

手把手教你用QEMU虚拟化华为路由器固件(附完整网络配置指南)

本文提供了一份详尽的QEMU虚拟化华为路由器固件的实战指南。从固件解包、网络桥接配置到QEMU虚拟机启动,手把手教你搭建完整的嵌入式设备沙箱环境,特别适合安全研究、逆向分析和学习嵌入式系统工作原理。

tgb3456789的博客 943

0x12B 蓝屏怎么查:内存单比特翻转与硬件排查记录

Windows 蓝屏停止代码是内核检测到不可继续运行的异常时触发的保护机制,0x12B(FAULTY_HARDWARE_CORRUPTED_PAGE)更指向内存页校验失败与单比特翻转。其原理是内存管理子系统发现页面内容与校验值不一致后,为避免坏数据扩散而停机。通过 WinDbg 分析 dump、事件日志对齐时间戳,再结合 MemTest86、TestMem5、逐条单插与关闭 XMP 做交叉验证,可把内存、显存、存储链路和第三方内核模块依次排除。对编译、游戏、Hyper-V 虚拟化等高负载场景,这套记录与验证

weixin_30899023的博客 347

别自己写CDC了!聊聊Xilinx AXI4-Stream Clock Converter IP里的寄存器管道模式到底有多省资源

本文探讨了Xilinx AXI4-Stream Clock Converter IP核的寄存器管道模式在FPGA设计中的高效资源利用。通过对比手工CDC实现,详细解析了IP核的精简化同步架构和时序收敛优势,并提供了实战案例和优化策略,帮助工程师快速实现时钟域转换,显著提升设计效率和性能。

weixin_33738555的博客 444

arcgis根据矢量范围统计栅格数据众数、最大值、均值、中位数、最小值、少数等

像元统计数据 根据多个栅格数据计算每个像元的统计数据。 可用的统计数据有:众数、最大值、均值、中位数、最小值、少数、范围、标准差、总和及变异度。 https://desktop.arcgis.com/zh-cn/arcmap/10.3/tools/spatial-analyst-toolbox/an-overview-of-the-local-tools.htm ...

GIS哼哈哈的博客 6万+

74HC138译码器的原理和使用

A0,A1,A2为3位二进制加权地址输入端口,A2A1A0顺序组成的3位2进制数对应的十进制数x控制使能端口Yx';例如当A2A1A0 = 101 时,其他门输出端全为高电平,只有Y5'为低电平。 Y0-Y7为8个输出端口,其输出电平由A0,A2,A3,E1,E2,E3决定。

diksan的博客 6万+

22h2版本的win10安装Docker Desktop时页面空白

摘要:Windows10 22H2系统重装Docker时出现安装界面卡死问题,通过管理员CMD执行静默安装命令解决。命令指定了WSL-2后端及多个自定义数据存储路径(安装目录、Hyper-V数据、Windows容器数据、WSL数据),安装需等待几分钟。最终验证安装成功。

猿小白的博客 665

YOLOv11涨点改进 | Conv篇/小目标改进 | YOLOv11引入SPDConv卷积特征无损下采样模块,增加YOLOv11小目标P2检测层(助力小目标任务高效涨点)

本文提出了一种创新的SPDConv模块来优化YOLOv11模型,通过空间到深度(SPD)层和非步幅卷积层实现特征无损下采样。该方法有效解决了传统CNN中因跨步卷积和池化层导致的细粒度信息丢失问题,特别提升了小目标检测性能。实验表明,SPDConv在目标检测和图像分类任务中显著优于现有SOTA模型。文章详细介绍了模块原理、核心代码实现,并提供了YOLOv11集成SPDConv的具体方法,包括配置文件修改和P2层增强等优化技巧。该技术为计算机视觉任务提供了一种高效的特征保留方案。

Ai缝合怪、助力小伙伴高效发论文 589

【YOLO多模态检测顶刊】TGRS 2025范文解读,RGFNet 可见光-红外图像融合目标检测,2026年基于YOLO多模态融合属于发文热点,小论文和大论文通用,通读顶刊了解做实验和论文写作的全流程

🔥本文提出了一种反射率引导的渐进特征对齐网络(RGFNet)用于全天候无人机目标检测。该方法利用Retinex理论从可见光图像中提取光照不变的反射率特征,设计了反射率引导协同对齐模块(RCAM)实现跨模态双向特征对齐,并通过光照感知选择性融合模块(LSFM)在共享状态空间中进行高效特征交互。在DroneVehicle和DVTOD数据集上的实验表明,RGFNet分别达到81.4%和88.5%的mAP,显著优于现有方法。该方法有效解决了低光照条件下可见光-红外图像特征错位问题,为全天候无人机检测提供了新思路。

Ai缝合怪、助力小伙伴高效发论文 1080

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

上一篇: 2015届蓝桥杯 Java C组 省赛试题及答案
下一篇: 洛谷 P1000 超级玛丽游戏 Java
NoahCode
博客等级 码龄9年 24粉丝 12原创
评论 2
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