CSAPP第二章作业节选

2.61:

A:!(~x);

B:!(x)

C:!~((x & 0xff000000)>>24)

D:!(x & 0xff)

2.71:

A:并没有扩展符号位,只是得到了一个unsigned的结果

B:int temp=(word<<((3-bytenum)<<3)) ;

return temp>>24;

2.87:

A值:① 208 ② -7/1024③ 13/(2^17) ④ -4096 ⑤ 768

B位:① 011101010 ② 100001100 ③ 000000001(最小正数) ④ 111110000 ⑤ 011110000(向+∞舍入)

B值:① 208 ② -7/256③ 17/1024 ④ -∞ ⑤ +∞

这个是我做完对了一下答案,发现有些和答案不一样,也不知道答案是如何得出来的,我感觉是答案存在一定的问题的


更新答案:

A值:① 208 ② -7/1024③ 5/(2^17) ④ -4096 ⑤ 768

B位:① 011101010 ② 100000111 ③ 000000001(最小正数) ④ 111101111 ⑤ 011110000(向+∞舍入)

B值:① 208 ② -7/1024③ 1/1024 ④ -248 ⑤ +∞


某个来源的标准答案:

2.88:

A:无法保证总是为1;对于int转float,如果int的最高位的1(不包括符号位的1)与最低位的1之间只有22个0或者1时,可以精确转换,否则就会涉及舍入问题,但是对于double而言,int转double是一定可以做到精确转换的;例如x=0101 1001 1000 1011 0111 1010 0011 0101

B:无法保证总为1;右边先进行x+y再转成double型,在两个int型相加的过程中可能会出现结果溢出的情况,而左边是已经先转为了double型再相加是不会出现溢出的;只要x+y的值大于0x7fffffff或者小于0x80000000时就会导致左右不相等

C:永远为真;对于加法而言,原本x,y,z均为32位以内的二进制数,相加之后所得到的位数不会超过53,而double类型所能精确表示的为最高位的1(不算符号位)与最低位的1之间有51位二进制数的二进制数;所以相加的结果不会超过double所能精确表示的范围;

D:无法保证总为1;两个32位二进制数相乘的结果最多可能到达64位,如果是三个相乘最多可能到达96位,而double所能精确表示的范围为正负2的53次方之间的整数;在计算过程中,左侧和右侧表达式所相乘的顺序不同,所以可能会在某两个数相乘时无法精确表示而导致两边相乘结果不同;例如x=0x1fffffff y=0x2fffffff z=0x3ffffff

E:无法保证总为1;题目中涉及了除法操作,这就有可能涉及到分母为0的情况;例如dx=0,dy=0x1。

数据集介绍:淋巴细胞、中性粒细胞与鳞状细胞癌检测数据集 一、基础信息 数据集名称:淋巴细胞、中性粒细胞与鳞状细胞癌检测数据集 数据规模: - 训练集:5,205张医学图像 - 验证集:240张医学图像 - 测试集:220张医学图像 病理分类: - Lymphocytes(淋巴细胞):免疫系统核心细胞,参与病毒防御与肿瘤监控 - NE(中性粒细胞):急性炎症标志物,反映感染与组织损伤 - SCC(鳞状细胞癌):常见上皮组织恶性肿瘤,需早期精准识别 标注规范: - YOLO格式标注,支持目标检测模型训练 - 包含多边形坐标标注,适配病理切片分析需求 二、核心应用 数字病理诊断系统: 支持开发白细胞亚型自动分类系统与鳞癌检测算法,辅助显微镜图像分析,提升病理科工作效率。 血液病辅助诊断: 通过淋巴细胞/中性粒细胞比例分析,为白血病、淋巴瘤等血液疾病提供AI辅助判断依据。 癌症筛查研究: 包含鳞状细胞癌阳性样本,适用于皮肤癌、头颈癌等上皮源性肿瘤的早期筛查模型开发。 医学影像教学: 提供标注规范的病理图像数据,适用于医学院校的细胞形态学教学与AI医疗交叉学科实训。 三、核心优势 临床病理学深度适配: 涵盖血液系统关键细胞类型与高发癌症类别,标注经病理专家双重校验,确保医学准确性。 多场景检测能力: 同时支持血涂片细胞分类与组织切片癌变区域检测,满足复合型医疗AI产品开发需求。 数据分布专业化: 按医学研究标准划分训练集/验证集/测试集,包含典型病例与边缘案例,强化模型鲁棒性。 跨任务兼容性: YOLO标注格式可直接用于目标检测训练,同时支持转换为分类、实例分割等扩展任务。
数据集介绍:自动驾驶交通障碍物目标检测数据集 一、基础信息 数据集名称:自动驾驶交通障碍物目标检测数据集 数据规模: - 训练集:10,627张图片 - 验证集:1,298张图片 - 测试集:1,272张图片 分类类别: - Car(汽车):道路主要交通工具,包含多种车型 - Motorbike(摩托车):两轮机动车辆及骑行者 - Person(行人):道路行人及动态行为 - Pole(杆状物):路灯杆、交通标志杆等垂直障碍物 - Reflective_cone(反光锥):道路施工警示标识 - Truck(卡车):大型货运车辆及特殊运输车 标注格式: YOLO格式标注,包含边界框坐标与类别编码,适配YOLOv3/v5/v8等主流检测框架 二、适用场景 自动驾驶感知系统开发: 训练车载摄像头实时识别道路障碍物,支持ADAS系统进行碰撞预警和路径规划 交通监控系统优化: 提升电子警察系统对复杂交通元素的识别准确率,支持违章行为分析 机器人视觉导航: 为服务机器人/AGV提供室外环境感知能力,实现动态障碍物避让 学术研究应用: 支持多目标检测算法研究,包含小目标(反光锥)与大尺度目标(卡车)的检测优化 三、数据集优势 场景适配性强: 覆盖6类道路核心障碍物,包含静态设施(杆状物)与动态目标(行人、车辆)的多样化组合 标注专业化: 采用YOLO工业标准标注规范,坐标精度达小数点后6位,支持像素级检测需求 数据分布均衡: 万级训练样本量配合科学划分的验证/测试集,满足模型开发全流程需求 跨模型兼容性: 原生支持YOLO系列算法,可快速迁移至Faster R-CNN、RetinaNet等检测框架
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