湖北师范大学-Python程序设计-函数自学引导

函数翻转教学设计 任务描述本关任务:编写一个能计算整数幂运算的函数。相关知识为了完成本关任务,你需要掌握:1.函数的定义、返回值与调用2.文档字符串函数的定义、返回值与调用定义函数使用关键字def加用户为函数命的名、表示函数的半角小括号()并以半角的冒号“:”结尾。函数体中的语句缩进4个空格。用return 关键字将计算结果返回给调用函数之处函数先定义后使用,用函数名调用函数,并将函数的运算结果用于后续的处理中。任务描述本关任务:编写一个能计算整数幂运算的有参数函数。相关知识。 阅读详情

第1关:整数幂运算

任务描述
本关任务:编写一个能计算整数幂运算的小程序。

相关知识
为了完成本关任务,你需要掌握:
1.for...in循环
2.累乘

循环
for i in range(n)可用于控制循环n次。

pow = 1
for i in range(n):  # i取值0,1,2,3,...,n-1,共循环n次
    pow = pow * 5   # 计算5的n次幂
print(pow)          # 输出计算结果
累乘
累乘时,要先有一个变量,设初值为1(1乘任何数都不影响结果),然后每次循环乘上一个数字

pow_of_x = 1                # 累乘初值,1乘任何数结果不变
for i in range(n):          # i取值0,1,2,3,...,n-1,共循环n次
   pow_of_x = pow_of_x * x  # 每循环一次乘上一个5,循环n次,结果是计算5的n次幂
print(pow_of_x)             # 输出计算结果
编程要求
根据提示,在右侧编辑器补充代码,先输入一个整数x,再输入一个整数n,计算并输出整数x的n次幂。

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
4

预期输出:
16

测试输入:
5
4

预期输出:
625

提示:
1.注意输入两个数的顺序
2.累乘一定要先有一个初值为1,不能为0

#分行输入两个整数m,n,计算m的n次幂并输出结果
x=int(input())
n=int(input())
pow=1
for i in range(n):
    pow=pow*x
print(pow)

第2关:自定义整数幂运算无参函数

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
4

预期输出:
16

测试输入:
5
4

预期输出:
625

提示:
1.注意函数定义语句结尾是半角冒号
2.函数体语句缩进

# 在下面一行从行首开始补充函数定义语句
def pow(x,n):
    num=1
    for i in range(n):
        num=num*x
    return num
    """此函数用于计算整数x的n次幂,无参数,返回幂运算结果,一个整数。
    函数中需要用程序语句接受用户输入的整数的底数x和指数n,计算x的n次幂,
    返回计算结果"""
    # 对齐此位置写函数体语句和返回值语句


# 将函数名作为输出语句的参数,在下一行补充调用函数并输出函数运算结果的语句
x=int(input())
n=int(input())
print(pow(x,n))

第3关:定义整数幂运算有参函数

编程要求
根据提示,在右侧编辑器补充代码,定义一个有2个参数的函数,两个参数分别表示底数和幂,计算并输出整数x的n次幂(函数体语句与第2关相同)。
在主程序里先输入一个整数number,再输入一个整数m,在函数调用语句中,将number的值传递给x,将m的值传递给n,这样设计,可以使程序可以计算任何整数的任意整数次幂。

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
4

预期输出:
16

测试输入:
5
4

预期输出:
625

提示:
1.注意函数定义语句结尾是半角冒号
2.函数体语句缩进

# 在下面一行从行首开始补充函数定义语句,要求函数可以接受两个整数的参数
def pow(x,n):
    num=1
    for i in range(n):
        num=num*x
    return num
    """此函数用于计算整数x的n次幂,接受两个整数参数,依次表示底数和幂,返回幂运算结果,一个整数。"""
    # 对齐此位置写函数体语句和返回值语句


# 补充2条语句分别输入两个整数,依次表示底和幂
x=int(input())
n=int(input())


# 将函数名作为输出语句的参数,在下一行补充调用函数并输出函数运算结果的语句
print(pow(x,n))

第4关:定义默认计算x的10次幂的幂运算函数

编程要求
根据提示,在右侧编辑器补充代码,定义一个有两个参数的函数,两个参数分别表示底数和指数,后面一个参数有默认值,计算并输出整数x的n次幂(函数体语句与第2关相同)。
在主程序里先输入一个整数number,再输入一个整数m,在第一条函数调用语句中,将number的值传递给x,将m的值传递给n,计算并输出整数number的m次幂。
第一条函数调用语句只传入一个参数,计算并输出这个参数的10次幂

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
4

预期输出:
16
1024

测试输入:
5
4

预期输出:
625
9765625

提示:
1.带默认值的参数一定在位置传递参数后

# 在下面一行从行首开始补充函数定义语句,要求函数可以接受两个整数的参数
def user_pow(x,n=10):
    num=1
    for i in range(n):
        num=num*x
    return num
    """接受两个整数参数,依次表示底数和幂,计算整数x的n次幂,返回幂运算结果。
    当函数调用时,若只传入一个参数,则值传给x,n使用默认值,返回x的10次幂"""
    # 对齐此位置写函数体语句和返回值语句

# 分别输入两个整数,依次表示底和幂
number = int(input())       # 输入底数
m = int(input())            # 输入指数
# 调用函数并输出函数运算结果的语句
print(user_pow(number, m))  # 调用函数,传入2个参数
print(user_pow(number))     # 调用函数,只传入一个参数

第5关:关键字参数调用整数幂运算的函数

编程要求
根据提示,在右侧编辑器补充代码,定义一个有两个参数的函数,两个参数依次表示指数和底数,计算并输出整数x的n次幂(函数体语句与第2关相同)。
在主程序里先输入一个整数number,再输入一个整数m,再写2条用关键字传递参数的函数调用语句,在第一条函数调用语句中,n=m在后,第二条函数调用语句中,n=m在前。

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
5

预期输出:
25
25

def user_pow(n, x):
    """接受两个整数参数,依次表示底数和幂,计算整数x的n次幂,返回幂运算结果。"""
    pow_of_x = 1  # 累乘初值,1乘任何数结果不变
    for i in range(n):  # i取值0,1,2,3,...,n-1,共循环n次
        pow_of_x = pow_of_x * x  # 每循环一次乘上一个5,循环n次,结果是计算5的n次幂
    return pow_of_x  # 返回函数的运算结果到函数调用处


# 补充2条语句分别输入两个整数,依次表示底和幂
number = int(input())       # 输入底数
m = int(input())            # 输入指数
# 调用函数时用关键字传递参数值
# 调用函数,底数在前,指数在后,在下面补充一条调用函数并输出结果的语句
print(user_pow(x=number,n=m))
print(user_pow(n=m,x=number))
# 调用函数,指数在前,底数在后,在下面补充一条调用函数并输出结果的语句

第6关:应用幂函数进行运算

编程要求
根据提示,在右侧编辑器补充代码,定义一个整数幂函数和一个用于累加的函数,主函数中输入一个x值和一个总项数,调用这两个函数计算题目描述中f的值,结果最多保留3位小数。

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
4

预期输出:
1.625

测试输入:
2
2

预期输出:
1.0

# 定义一个整数幂函数,接受两个整数参数,依次表示底数和幂,计算整数x的n次幂,返回幂运算结果
# 此代码仅用于学习函数定义和返回值,要求用循环实现幂函数的计算
def user_pow(x,n):
    num=1
    for i in range(n):
        num=num*x
    return num

# 定义一个累加函数,接受两个整数参数,依次表示分母的x值和总项数n,计算整数i/(x**i)次幂的累加,返回累加结果。
def sum_of_f(x,n):
    sum=0
    for i in range(1,n+1):
        sum=sum+(i/x**i)
    return sum

# 分别输入两个整数,依次表示底和总项数
number = int(input())  # 输入底数
m = int(input())  # 输入指数
# 调用函数,结果保留最多3位小数
print(round(sum_of_f(number, m), 3))

5.8 计算WIFI密码(project) 小明在武汉理工大学读书,学校的wifi密码是楼栋号的房间号次幂的前16位的16进制表示,且其中字母均为大写,结果中不包括十六进制数的引导符“0X”。小明在武汉理工大学读书,学校的wifi密码是楼栋号的房间号次幂的前16位的16进制表示,且其中字母均为大写。本项目就带你一步一步的破解这个密码。小明在武汉理工大学读书,学校的wifi密码是楼栋号的房间号次幂的前16位的16进制表示,且其中字母均为大写。小明在武汉理工大学读书,学校的wifi密码是楼栋号的房间号次幂的前16位的16进制表示,且其中字母均为大写。 阅读详情

相关推荐

4.2 自定义数学函数(project)

本关任务:编写一个调用自定义的 fsum() 函数计算并输出所有输入数值之和的小程序。本关任务:编写一个自定义 ceil() 函数计算并输出不小于某数的最小整数的小程序。本关任务:编写一个使用自定义的fabs()函数输出的小程序。本关任务:编写一个能计算并输出 x 的 n 次方的小程序。本关任务:编写一个能计算并输出数字的下舍整数的小程序。本关任务:编写一个能计算两数最大公约数的小程序。本关任务:编写一个能计算两数最小公倍数的小程序。本关任务:编写一个能计算输入数据阶乘的小程序。

Junds0的博客 4000

ZZULIOJ1005: 整数幂(python)

题目描述 输入3个整数,输出它们的1次幂、2次幂和3次幂。 输入 输入3整数,用空格隔开。 输出 输出3行,每行3个整数,分别是它们的1次幂、2次幂和3次幂,每个整数占9列,不足9列左对齐。 样例输入 Copy 1 5 100 样例输出 Copy 1 1 1 5 25 125 100 10000 1000000 提示 本题在课程网站上有专题讲解,第二章的边讲边写:整数幂——整数的格式化输出 https://www.icourse163.o

这货净瞎扯的博客 1934

Ghidra逆向分析实战:从安装JDK到解析STM32的bin文件(附SVD插件配置)

本文详细介绍了使用Ghidra进行STM32固件逆向分析的完整流程,从JDK安装配置到SVD插件的应用。通过实战案例展示如何解析bin文件、恢复符号信息以及利用SVD插件识别外设寄存器,帮助开发者高效完成嵌入式设备的逆向工程任务。

weixin_29309475的博客 645

【头歌-Python】 函数自学引导

函数引导自学 本文提供了第一章中 9 题的 题目、示例、参考代码。

谛凌的博客 2万+

全局特征描述子 CVFH (Clustered Viewpoint Feature Histogram) 原理

特性VFHCVFH处理对象整个物体点云物体点云被分割后的稳定表面块(簇)对遮挡的鲁棒性弱。遮挡会破坏全局形状,导致描述子失效。极强。只依赖于稳定存在的部分。描述子维度263 维308 维 (263 + 45 SC)输出数量一个物体产生1 个描述子一个物体可能产生多个签名计算复杂度相对较低较高(需先聚类)主要应用场景完整、分割良好的物体存在遮挡、背景杂波的不完整物体。

weixin_37079656的博客 619

别再花钱买商业软件了!这4款免费DIC工具,从散斑生成到应变分析全搞定

本文介绍了4款免费开源的DIC(数字图像相关技术)工具,涵盖从散斑生成到应变分析的全流程,帮助用户零成本构建专业级DIC工作流。这些工具在精度、算法透明度和生态整合方面具有优势,适用于材料力学和实验力学研究,可替代昂贵的商业软件。

weixin_42525369的博客 168

湖北师范大学-Python程序设计-流程控制自学引导

根据提示,在右侧编辑器补充代码,输入一个小于1的浮点数n,计算非负奇数的倒数正负交替运算的和,直到某一项的绝对值小于或等于n,计算该项之前(不含该项)的正负交替运算的和,并输出计算和的4倍结果。根据提示,在右侧编辑器补充代码,输入两个正整数m和n,用m枚铜钱购买n只鸡,花完全部的钱,且要求公鸡、母鸡、小鸡每样都必须有,计算公鸡、母鸡、小鸡各多少,有多个答案时分行输出。根据提示,在右侧编辑器补充代码,接受一个大于1的整数输入,输出小于这个数的所有非负奇数的倒数和。小鸡数量可用n-cock-hen计算。

柠檬喝汽水的博客 1624

华为iTrustee实战:5分钟搞定TrustZone环境搭建(附BoostKit配置技巧)

本文提供了一份华为iTrustee与ARM TrustZone环境的5分钟快速搭建实战指南。详细介绍了在TaiShan服务器上利用鲲鹏BoostKit套件部署可信执行环境(TEE)的完整流程,包括环境检查、驱动安装、首个可信应用(TA)的编译与运行,并分享了关键的BoostKit配置技巧与深度排错方法,助力开发者快速为业务注入硬件级安全能力。

yoga7的博客 966

Python自学入门(四):流程控制

选择、分支、循环是开发中必不可少的结构

专治八阿哥的孟老师 710

LeRobot 入门教程(七)数据集

LeRobot Dataset v3.0 是机器人学习数据的标准化格式,支持多模态时间序列数据和视频的统一访问。该版本通过基于文件的存储(Parquet/MP4)、关联元数据和Hub原生流式处理等新特性,显著提升了性能并降低了存储开销。文档详细介绍了格式设计、安装使用、数据记录与加载方法,以及从v2.1迁移到v3.0的步骤,特别针对大型数据集(如DROID 1.0.1)的处理提供了SLURM集群移植方案。v3.0通过优化文件组织和元数据管理,实现了更快的加载速度、更高的内存效率和更好的可扩展性。

2506_90492529的博客 2054

QT实现警报应用程序

QT实现警报应用程序

希望我的博客,能帮上你解决学习中工作中所遇到的问题 2041

头歌实践平台(python数据结构)(1-6)

任务描述本关任务:编写代码实现栈的基本操作。相关知识为了完成本关任务,你需要掌握:栈抽象数据类型;Python 中 List 的操作方法。栈抽象数据类型抽象数据类型“栈”是一个有次序的数据集。 在栈中,数据项的加入和移除都仅发生在同一端,这一端被称为栈顶,相对地,把另一端称为栈底。距离栈底越近的数据项, 留在栈中的时间就越长,而最新加入栈的数据项会被最先移除。这种次序通常称为“后进先出”( LIFO ):Last in First out。下图是一个栈的抽象模型:转存失败重新上传取消图1 栈模型抽象数据类型

qq_62640789的博客 1万+

NVIDIA Isaac ROS - 入门教程(一)

欢迎访问 Isaac ROS,这是一套硬件加速、高性能、低延迟的 ROS 2 软件包,用于制造自主机器人,充分利用 Jetson 和其他英伟达平台的强大功能。英伟达 Jetson 平台运行在基于 Ubuntu Linux 的 JetPack 操作系统上。JetPack 5.x 是在 Ubuntu 20.04 Focal 的基础上构建的,这意味着由 ROS 2 Buildfarm 为 Ubuntu 22.04 Jammy 构建的 ROS 2 Humble 的 Debian 包不受支持。由于官方 ROS 2 B

机器人控制与仿真应用 5721

基于 Python 的计算思维训练——函数

1.基于 Python 的计算思维训练——函数 第一个函数 # coding:utf-8 deg = input() def F(C): #*请在此添加代码,将摄氏度deg转换为华氏度*# #********** Begin *********# f=int(C)*(9.0/5)+32#*9.0才可以*# return f #********** End *********# print ("%.2f"%(F(deg))) 在函数中修改全局变量 # coding:utf

MT 1万+

请尽可能地详细说明一个VLA项目的立项训练到落地的全流程

一个机器人VLA项目的全流程是一个复杂的系统工程,它深度融合了机器人学 (Robotics)计算机视觉 (CV)和自然语言处理 (NLP)。其核心挑战在于高质量数据的获取和从仿真到现实的有效迁移。与纯粹的软件AI项目相比,它增加了硬件、物理交互和安全性的维度,但其最终能让AI走出虚拟世界、在物理世界中产生实际价值,这也是其巨大的魅力所在。

具身机器人和通用AI 303

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

1005: 整数幂 Python

1005: 整数幂 时间限制: 1 Sec 内存限制: 30 MB 提交: 70768 解决: 30063 [状态] [讨论版] [提交] [命题人:admin] 题目描述 输入3个整数,输出它们的1次幂、2次幂和3次幂。 输入 输入3整数,用空格隔开。 输出 输出3行,每行3个整数,分别是它们的1次幂、2次幂和3次幂,每个整数占9列,不足9列左对齐。 样例输入 Copy 1 5 100 样例输出 Copy 1 1 1 5 25 125 100

指尖跳动的字节的博客 1141

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")

Python头歌合集(题集附解)

Python头歌合集

醉蕤的博客 19万+

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Python|函数——自定义函数

本文是笔者学习李立宗老师的Python课程后整理的学习笔记,希望能帮助到有需要的同学,侵删。

LEOnpy1的博客 1654

整数幂函数

对于幂运算,大家经常会用到 “math.h” 里的一个函数 “double pow(double, double)” ,但这个函数也有其局限之处。这种局限主要体现在:它只能用于浮点数,对整型的幂运算并不能有效地解决。 比如,观察下面的程序。 for(int i=0;i<9;i++) { printf("%d\n",(int)pow(10.0,i)); } return 0; 运行之后会发现结果如下。 这不是我们想要的结果!因此,我们需要有一个能够计算整数幂运算的函数。 我们令这个函数为:

m0_52320912的博客 5050

python函数(内置函数,自定义函数,无参数函数,带参数函数,默认参数函数,不定长参数函数)

在编程过程中,有很多功能会别重复使用,如果让用户每次使用都重新编写,特别浪费时间,并且效率低,容易出错等等。所以,python将这些代码封装成了内置函数,用户只需调用就可以。如果遇到内置函数不能满足需求,还可以自己编写(自定义函数)。 函数分为内置函数和自定义函数: 内置函数 例如: range() print() sum() 等函数 自定义函数: def 函数名(参数): 函数体 返回值 案例1: ...

weixin_43978915的博客 1963

Python习题(附答案)3流程控制

头歌实践教学平台——​Python编程技术。

焚花入骨 焚歌为引——Sayuri《月と花束》 8527

python:有参无参函数实例

def 有参运算(num1,num2,fuhao): if type(num1)==(int or float) and type(num2)==(int or float): if fuhao=="+": print(int(num1)+int(num2)) elif fuhao=="-": print(in...

流年博客 1777

Python编程练习:翻转数字

【代码】Python编程练习:翻转数字。

菜菜子hoho的博客 2286

编写一个计算器程序

编写一个计算器类,要求初始化方法带参数(传两个数字),能够实现加减乘除运算(方法)。 在这里插入代码片 class Calculator: def __init__(self,a,b): #初始化a,b两个参数 self.a=int(a) self.b=int(b) def add(self): '''相加''' print('和为:',self.a + self.b) def subtract(se

weixin_42485712的博客 1658

python函数基础总结

1.认识函数 1.1什么是函数 - 实现某一特定功能的代码的封装,每个函数都有自己的特定功能 函数把实现某一个功能所有代码打了一个包,每次需要的时候,直接调用 2函数的分类(函数是由谁创建/定义来进行分类) 2.1系统函数 - python自定义函数,需要的时候直接调用 2.2自定义函数 - 由程序员直接创建 3.定义(创建)函数 3.1语法 def 函数名(形参列表): 函数说明文档 函数体 ## 函数名 - 是标识符,不是关键字,见名知意,字母小写(下划线隔开),不使

Xu_Mingyong的博客 1315
上一篇: 湖北师范大学-Python程序设计-python第三章作业(初级)
下一篇: 湖北师范大学-Python程序设计-4.1 来自计算机的问候(project)
汽水爆炸
博客等级 码龄4年 1903粉丝 41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