原码,反码,补码,按位取反的介绍

通俗易懂-按位取反、原码反码补码间的转化 ~ 按(二进制)位取法 把所有二进制位中的数字,1变0,0变1 整数在内存中存储的补码,正数的原码补码反码相同。 原码—符号位不变,其他位按位取反—>反码—+1—>补码 按位取反(符号位也变,都变!) 这里补充一下-0的原码补码反码 [-0]原码 = 1000 0000 [-0]反码 = 1111 1111 [-0]补码 = 0000 0000 也... 阅读详情

tips: 无论正数,还是负数,在计算机中均是以二进制补码形式存储的!

按位取反(~):按照补码形式,将符号位,数值位 1 变 0,0 变 1

正数:
反码,补码和原码均相同!
例如 : +5 (int 型,32位)
原码 : 0000 0000 0000 0000 0000 0000 0000 0101
反码 : 0000 0000 0000 0000 0000 0000 0000 0101
补码 : 0000 0000 0000 0000 0000 0000 0000 0101
~5 : 1111 1111 1111 1111 1111 1111 1111 1010

负数:
反码:最高位符号位不变,数值位全部取反
补码:在反码的基础上,加 1
例如 : -6(int 型,32位)
原码 : 1000 0000 0000 0000 0000 0000 0000 0110
反码 : 1111 1111 1111 1111 1111 1111 1111 1001
补码 : 1111 1111 1111 1111 1111 1111 1111 1010
~(-6) : 0000 0000 0000 0000 0000 0000 0000 0101

分析:我们发现,正整数 5 按位取反(~5)后为:1111 1111 1111 1111 1111 1111 1111 1010,此二进制为补码形式,且最高位为1,为负数,然后减1变反码,1111 1111 1111 1111 1111 1111 1111 1001,然后符号位不变,取反变原码,1000 0000 0000 0000 0000 0000 0000 0110,结果为-6

负整数-6按位取反(~(-6))后为:0000 0000 0000 0000 0000 0000 0000 0101,此二进制为补码形式,且最高位为0,为正数,所以其原码和补码相同,结果为5

【位运算进阶之----按位取反(~)】(附补码,原码讲解) ✨原码是一种用二进制表示有符号整数的编码方式。其中,最高位表示符号位0为正1为负。其余位是数值位,表示数值的绝对值。举个“栗子”来说:1的原码是:001;-1的原码是:101;✨我们可以看出,互为相反数的两个数的原码,除了第一位的符号位不一样以外,其余位都相同。(那么,可能有聪明的小伙伴们就想到了0,是不是0也有两种表达方式呢?果然聪明!在原码中,0和-0的表示是不一样的。✨补码也是一种用于表示有符号整数的编码方式。其中,最高位(最左侧位)是符号位0表示正数,1表示负数。其余位是数值位。 阅读详情

相关推荐

C语言中原码 、反码和补码的介绍

原码、反码和补码(适用于初学者) 文章目录原码、反码和补码(适用于初学者)一、首先介绍概念二、具体情况1.下面看看这道例题2.正确解答 一、首先介绍概念 1.原码 原码就是符号位加上真值的绝对值,即用第一位表示符号,其余位表示值。比如如果是8位二进制: [+1](原码) = 0000 0001 [-1](原码) = 1000 0001 第一位是符号位,其中1代表负数,0代表正数。因为第一位是符号位,所以8位二进制数的取值范围就是: [1111 1111 , 0111 1111] 即 [-127 , 12

zengzhiyou1的博客 1162

按位取反~运算步骤详细拆解

按位取反~运算步骤详细拆解

weixin_46475607的博客 2501

按位取反运算符~

https://www.cnblogs.com/shy1766IT/p/6184874.html 二进制数在内存中以补码的形式存储。 按位取反:二进制每一位取反,0变1,1变0。 ~9的计算步骤: 转二进制:0 1001 计算补码:0 1001 按位取反:1 0110 转为原码: 按位取反:1 1001 末位加一:1 1010 符号位为1是负数,即-10 var x...

6386

~ 按位取反运算

(按位取反)运算的理解: 按照我平时的理解,当我使用按位取反运算的时候,计算机会将操作数所对应的二进制表达式的每一个位进行取反计算,取反后所得到的值就是按位取反的运算结果(这点没问题) 例如,假如我的计算机是32位的,我接下来要计算~5的值,计算过程如下: 5 的二进制表达式为:0000 0000 0000 0000 0000 0000 0000 0101 执行运算,即5后: 1111 1111 1111 1111 1111 1111 1111 1010,即结果为-6 以上过程没有任何问题,但我们如果忘记了

d1486651890的博客 2933

Deepseek接入QQ机器人:实现拟人化概率回复的完整指南

大语言模型API正在快速改变即时通讯工具的交互方式。通过标准化的OpenAI兼容接口,开发者可以将Deepseek等AI服务嵌入到QQ机器人等IM场景中,实现自然语言对话能力。其核心原理在于事件驱动架构:消息接收层通过OneBot协议获取群聊内容,业务层利用概率过滤与冷却机制控制回复节奏,再由大模型生成拟人化文本。这种设计不仅避免了机器人刷屏,还能通过系统提示词塑造性格,营造真实的社群陪伴体验。适用于粉丝群互动、内容订阅、小规模客服等场景,同时支持多群独立配置、关键词加权回复及上下文记忆扩展。在实际工程中,

weixin_29051245的博客 468

嵌入式学习之QT学习---14 QT跨平台运行之把QT程序交叉编译到ARM开发板

想要把qt工程放到开发板上运行,就需要用到交叉编译。由于qt是跨平台的,所以只需要换个编译器编译一下就可以。 以“定时器”的例子为例,在移植之前还需要进行一个准备工作,在windows下运行的时候,电脑屏幕很大,但是运行的窗口只有一点点大,开发板也有外接屏幕,如何让运行窗口自动适配开发板的外接屏幕呢?令其占满屏幕显示,而不是一小块。 第一步:需要设置一下,先给ui布局,如果不布局,控件就不会随着屏幕的大小的变化而变化。 第二步:利用代码来获取屏幕的大小,给widget.cpp文件下添加如下代码 #inclu

qq_42822743的博客 5457

二进制原码、反码、补码之间的转换——MZH

对于正数,其原码、反码和补码在二进制表示上是完全一致的。

longlongzihan的博客 945

ArcGIS小白必看:5分钟搞定面要素转点要素+自动计算经纬度坐标(附常见报错解决方案)

本文为ArcGIS新手详细解析了面要素转点要素并自动计算经纬度坐标的完整流程。核心在于正确理解和使用坐标系,并掌握ArcToolbox中的“要素转点”等工具。文章深入剖析了常见报错(如坐标系未定义、字段计算失败)的根源,提供了从基础操作到Python脚本自动化的实战解决方案,确保数据转换的准确与高效。

weixin_29284885的博客 578

原码,反码,补码,相互转换。

已知补码,求原码的负数的补码:符号位和数值位都取反,末位再加1。反码转换为原码也是一样:符号位不变,数值位分别“按位取反”原码和补码的相互转换:符号位不变,数值位按位取反,末位再加1。补码转换为原码:符号位不变,数值位按位取反,末位再加1。原码转换为补码:符号位不变,数值位按位取反,末位再加1。原码转换为反码:符号位不变,数值位分别“按位取反”原码和反码的相互转换:符号位不变,数值位按位取反。求补(变补),即已知[X]补,求[-X]补。符号位和数值位都取反,末位再加1。正整数的原码、反码和补码都一样;

lebeiweilanhu的博客 1550

啥是PLCnext?它能干啥?

简单来说,PLCnext是基于Linux操作系统的一个控制器运行时,所以它原生具备的两个特点:1.原生兼容IEC611312.原生兼容Linux各类应用PLCnext的控制器大概长下面这样(AXC F 1152、2152),通过背板总线连接IO、通过网口连接Profinet或者上位机。

博客 1649

OpenCV机械臂手眼标定

这篇文章总结了手眼标定的原理,利用OpenCV自带的函数套用参数即可完成眼在手上和眼在手外两种标定。

Q先森的博客 6598

原码,反码,补码,阶码

数值的表示方法

lucifer_凡 1614

JS实例(三)图片的缓慢放大和缩小

  我们经常能看到在一些网站中可以通过按钮实现对图片的放大或者缩小,也有可能是鼠标经过时图片放大。在本例中就是通过JavaScript实现图片的放大和缩小。   首先是进行简单的页面布局 1 <div class="imagedispose"> 2 <img src="1.jpeg" id="imaged" width="400px" height="3...

weixin_34235105的博客 314

原码、反码、补码是什么意思?

原码是表示整数的一种方式,是用二进制来表示一个数,可以是正的负的。例如:给定一个整型变量a的值为5,一个整型变量在内存中占32位那么a的原码就是它的第一位也就是符号位是代表正,如果第一位是的话就是负的。像-5的原码就是:我们将十进制的数字转化为二进制的时候是从后往前填充的。

RuinTown的博客 707

MRI图像切片(nii格式转2D)

代码参考:将一个MRI(nii格式)数据进行切片 想要批量抽取MRI数据的几个切片,借鉴了上述代码的Python版本,原始代码抽取了全部切片。本次实验主要是抽取sMRI的横断面(axial)方向的其中30张切片,数量根据自己需求可自行设置。 import scipy, numpy, shutil, os, nibabel import sys, getopt import imageio def niito2D(filepath): inputfiles = os.listdir(filep

chs_502的博客 7552

9篇3章7节:基于 R 语言的 FAERS 数据提取与合并

本文主要探讨了 FAERS 数据提取与合并的操作流程。首先,通过程序化方法从本地存储的 FAERS ASCII 文件中提取指定季度或范围内的单药报告数据,并可通过参数设置控制数据存储位置、处理方式、计算资源分配以及报告者职业类别等。随后,通过批量读取的方式对多个季度的 DRUG 文件进行循环处理,并将其合并为一个综合数据框。

MD Code 1269

原码、反码及补码

任何存储于计算机中的数据,其本质都是以二进制码存储。计算机的运算器只有加法运算器。所以在计算机中没办法直接做减法。 从硬件的角度来说正数+正数、负数+负数都是可以通过加法器直接相加,只有正数加负数才算是减法。原码、反码及补码的产生过程就是为了解决计算机做减法和引入符号位的问题。

KEEP CODING 5204

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")

原码和补码的相互转换规则

本文介绍了计算机中表示有符号整数的三种编码方式:原码、反码和补码。重点分析了负数的原码与补码相互转换规则,证明两者转换方法相同:都是对数值位按位取反再加1。通过数学推导和流程图说明,负数的补码再求补码会还原为原码,验证了这个转换过程的对称性。此外,文章还简要说明了三种编码的符号位规则,并指出正数的三种编码表示形式相同。

2401_86090964的博客 2786

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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。

原码、补码、反码

简单来说,原码一个数的二进制表示,负数的原码就是其正数原码的符号位变为1,正数的反码和补码都是其原码,负数的反码是其原码除符号位之外,其余按位取反,负数的补码是其反码加1。 这样概念性的东西,直接不好理解,举个例子说明一下。 原码:求一个正数数的原码,就是用这个数一直除以2,每次记录下余数,知道最后等于1,然后把余数从后到前排列 比如6  6,int类型,32位,原码:00000000

青木刀风的博客 1425

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。

原码、反码、补码的详细总结

  在计算机的世界里面,只有0和1. 机器数:一个数在计算机中的二进制表示形式,叫做这个数的机器数。机器数是带符号的,在一个计算机中用一个数的最高位存放符号,正数用0表示,负数用1表示。例如:一个二进制数+3,计算机字长为8位,二进制表示为00000011,如果为-3,二进制表示为10000011.而这里的00000011和10000011为机器数。  真值    因为第一位是符号位,所以机器数的...

常庆伟的博客 2419

原码,反码,补码的转换

一,原码 在用二进制数码表示一个数值时,为了区分其正负,在二进制数码前加一位符号位。用“0”表示正数,用“1”表示负数,这种带符号位的二进制数码称为原码。 例如:+12用二进制数表示为:1100。原码为:01100 ,-12的原码为:11100; 二,反码 反码为求补码时不做减法运算。正数的反码与原码相同;负数的反码:原码的基础上,符号位不变,即‘1’,其余位按位取反,即‘1’改为‘0’,‘0’改为‘1’(1010→0101)。 例如:+12原码为:01100,反码为:01...

m0_58857034的博客 8852

原码 反码 补码

补码: 正数的补码就是其原码,负数的补码是它的反码加1。负数: 原码符号位除外,其他位按位取反。负整数: 补码等于负整数的反码加一。反码: 符号位不变,其它位按位取反。数据在内存中都是按照补码存储。原码: 数据本身的二进制。

Krysdong 421

原码、反码、补码的概念及其转换

原码 原码是计算机中对数字的二进制定点表示方法,原码将数字的最高位定位符号为,正数该位为0,负数该位为1,其余位表示数值大小。 求一个数的原码,若限制的长度为八位,先不管该数的正负,对其进行二进制转换,得到的二进制数应该小于等于七位才行。最后根据该数的正负给最高位添上0或1即可,正数添上0,负数添上1。 如:求123的原码。 将123转换为二进制为1111011 该数为正数,则最高位(符号位)为0...

dp327264的博客 2558

原码、反码、补码(8位二进制数)

原码、反码、补码的计算方法及示例

weixin_51424157的博客 8551

原码,反码,补码的学习

一、机器数的概念 机器数:在计算机内部,数值用二级制码来表示,即数字和符号都用二进制码表示,两者合在一起构成数的机内表示形式,称为机器数。 在计算机中,用最高位表示符号位;规定用“0”表示正号,用“1”表示负号。其余位表示数值大小。 当二进制数位数不够时,整数在最高位前用0补足。小数在最低位用0补足。

计算机小白努力学习 1591
上一篇: 数字,字母的加密,整型,字符型,字符串类型的相互转化问题
下一篇: Java 构造函数 super问题
晚秋_梦依在
博客等级 码龄11年 7粉丝 28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