湖北师范大学-Python程序设计-4.2 自定义数学函数(project)

Python基础之综合练习二 读者将src/step2/multiple_table_stu.py中的代码补充完毕,然后点击评测,平台自动编译运行src/step2/main.py,并以标准输入方式提供测评输入;读者将src/step1/is_prime_stu.py中的代码补充完毕,然后点击评测,平台自动编译运行src/step1/main.py,并以标准输入方式提供测评输入;第一行输入一个字符op,表示要进行的运算,保证表达式进行的运算只有加减乘除,即该字符只可能是+ - * /中的一个。... 阅读详情
AI摘要

本教程通过自定义实现常见数学函数,如幂运算、求最大公约数、最小公倍数等,帮助读者理解并掌握Python中数学相关的基本操作。

第1关:pow函数详解

编程要求
根据提示,在右侧编辑器补充代码,完善计算并输出 x 的 n 次方的小程序。

测试说明
平台会对你编写的代码进行测试:

测试输入:
2
16
预期输出:
65536.0

def pow(x, n):  # 幂运算函数
    """接收一个数字x和一个整数n为参数,返回x的n次幂的结果的浮点数类型
    要求使pow(1.0, x) 和 pow(x, 0.0) 总是返回 1.0"""
    #########################Begin############################### 
    if x==1.0 or n==0.0:
        return 1.0
    else:
        return x**n

#########################End############################### 

if __name__ == '__main__':
    x = float(input())
    n = int(input())
    return_data = pow(x,n)
    print(return_data)

第2关:最大公约数

编程要求
根据提示,在右侧编辑器补充代码,通过调用自定义的gcd()函数计算并输出两个数的最大公约数。

测试说明
平台会对你编写的代码进行测试:

测试输入:
16
24
预期输出:
8

def gcd(a, b):
    """接收两个正整数为参数,返回两个数的最大公约数"""
    #######################Begin############################
    
    m = max(a, b)
    n = min(a, b)
    r = m % n
    while r != 0:
        m = n
        n = r
        r = m % n
    return n

#######################End############################

if __name__ == '__main__':
    a = int(input())
    b = int(input())
    return_data = gcd(a,b)
    print(return_data)

第3关:最小公倍数

编程要求
根据提示,在右侧编辑器补充代码,通过调用自定义的lcm()函数计算并输出两数的最小公倍数数值。

测试说明
平台会对你编写的代码进行测试:

测试输入:
32
64
预期输出:
64

def lcm(a, b):
    """接收两个正整数为参数,以整数类型返回两个数的最小公倍数"""
    ######################Begin###############################
    x = a * b  # x用于存放m与n的乘积
    r = a % b
    while r != 0:  # 不用比较大小,若m小于n,则会在第一遍循环交换位置
        a = b
        b = r
        r = a % b
    return (x // b)
    ######################End###############################

if __name__ == '__main__':
    a = int(input())
    b = int(input())
    return_data = lcm(a,b)
    print(return_data)

第4关:fabs() 函数

编程要求
根据提示,在右侧编辑器补充代码,使用调用自定义的 fabs() 函数输出相应数值。

测试说明
平台会对你编写的代码进行测试:

测试输入:-3;
预期输出:
3.0

def fabs(x):
    """返回x的绝对值"""
    ######################Begin###############################
    if x>=0:
        return float(x)
    else:
        return float(-x)
   ######################End###############################

if __name__ == '__main__':
    x = eval(input())
    return_data = fabs(x)
    print(return_data)

第5关:ceil() 函数

编程要求
根据提示,在右侧编辑器补充代码,调用自定义的 ceil() 函数计算并输出不小于输入值的最小整数。

测试说明
平台会对你编写的代码进行测试:

测试输入:6.2;
预期输出:
7

def ceil(x):
    """接受一个浮点数或整数,返回大于或等于该数的最小整数"""
    ######################Begin###############################
    if x - int(x) >0:
        x=int(x+1)
        return x
    elif -x - (-(int(x))) >0:
        x=int(x)
        return x
    else:
        return x
  ######################End###############################

if __name__ == '__main__':
    x = eval(input())
    return_data = ceil(x)
    print(return_data)

第6关:floor()函数详解

编程要求
根据提示,在右侧编辑器补充代码,调用自定义的 floor() 函数计算并输出数字的下舍整数的小程序。

测试说明
平台会对你编写的代码进行测试:

测试输入:6.8;
预期输出:
6

def floor(x):
    """接受一个浮点数或整数,返回不大于该数的最大整数"""
    ######################Begin###############################
    if x-int(x)>0:
        x=int(x)
        return x
    elif -x-(-(int(x)))>0:
        x=int(x)-1
        return x
    else:
        return x
  ######################End###############################
    
if __name__ == '__main__':
    x = eval(input())
    return_data = floor(x)
    print(return_data)

第7关:factorial函数详解

编程要求
根据提示,在右侧编辑器补充代码,并调用自定义的 factorial() 函数计算并输出输入数据的阶乘小程序。

测试说明
平台会对你编写的代码进行测试:

测试输入:6;
预期输出:
720


def factorial(n):
    """接收一个非负整数n为参数,返回n的阶乘,0的阶乘值为1"""
    ######################Begin###############################
    x=1
    i=1
    if n<0  :
        raise ValueError("n必须为非负整数")
    elif n-int(n)>0:
        raise ValueError("n必须为非负整数")
    else:
        for i in range(1,n+1):
            x=x*i
        return x

    ######################End###############################

if __name__ == '__main__':
    x = int(input())
    return_data = factorial(x)
    print(return_data)

第8关:fsum函数

编程要求
根据提示,在右侧编辑器补充代码,调用自定义的 fsum() 函数计算并输出所有输入数值之和。

测试说明
平台会对你编写的代码进行测试:

测试输入:0.5 0.5 0.5 0.5 0.5;
预期输出:
2.5

def fsum(iterable):
    """接收一个元素为数值的序列为参数,以浮点数类型返回各元素之和"""
    ######################Begin###############################
    x=0.0
    for num in iterable:
        x=x+num
    return x

######################End###############################


if __name__ == '__main__':
    x = list(map(eval, input().split()))
    return_data = fsum(x)
    print(return_data)

湖北师范大学-Python程序设计-3.3 计算圆周率(project) 第1关:割圆法 编程要求 根据提示,在右侧编辑区补充代码,编程实现割圆法计算圆周率,输出在正六边形基础上分割n次时得到多边形的边数、圆周率值以及math库中的圆周率值。 测试说明 平台会对你编写的代码进行测试: 输入格式 输入为一行,一个正整数n ,表示在内接正六边形的基础上割圆的次数。 输出格式 输出为两行,第一行输出在内接正六边形基础上再次分隔n次,分隔得到的正多边形的边数m,以及割圆法计算得到的圆周率pi(保留六位小数);第二行输出math库里的pi值(保留六位小数)。 具体输出格式见示例。 阅读详情

相关推荐

Python基础之综合练习一

读者将src/step2/is_prime_stu.py中的代码补充完毕,然后点击评测,平台自动编译运行src/step2/main.py,并以标准输入方式提供测评输入;读者将src/step1/lcm_stu.py中的代码补充完毕,然后点击评测,平台自动编译运行src/step1/main.py,并以标准输入方式提供测评输入;根据提示,在右侧编辑器补充代码,实现将file_1和file_2文件中的数字按从小到大的顺序排序,并将结果写入file_3文件中。······通关成功······...

软件程序媛的博客 7568

头歌:循环3第5关:最长连续自然数个数

本关任务:输入长度为 n 的一个正整数序列,要求输出序列中最长连续自然数序列的长度。平台会对你编写的代码进行测试,若是与预期输出相同,则算通关。一个数,最长连续自然数的个数。根据提示,在右侧编辑器。

Fs_Miko的博客 1675

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

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

Python第四章作业(初级)

定义一个函数 say_hi_gender(),有 2 个参数 full_name 和 gender,接受人名和性别(“男”或“女”)的字符串为参数,函数的返回值为“尊敬的XXX先生/女士,欢迎来到火星!”,例如函数的参数为“李白”,返回值为“李白,你好!这是一辆2020年生产,型号是AMG_S65的奔驰牌汽车‪‬‪‬‪‬‪‬‪‬‮‬‪‬‭‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‫‬‪‬‪‬‪‬‪‬‪‬‪‬‮‬‪‬‪‬。与 abs() 函数不同的是, fabs() 函数返回的是浮点型的值。

Junds0的博客 7652

Dify与钉钉轻量级集成:打造企业内部AI助手

企业级聊天机器人开发已成为提升内部协同效率的关键技术。其核心原理在于通过API集成,将AI模型能力与即时通讯平台无缝连接,实现智能问答与自动化流程。从技术价值看,这种集成方案能够显著降低AI应用落地门槛,将前沿的AI能力快速转化为实际生产力。在应用场景上,它尤其适用于HR答疑、IT技术支持、产品知识库等高频内部服务场景。本文聚焦于Dify与钉钉的轻量级集成方案,通过Stream模式实现高效消息处理,并利用AI卡片支持流式输出,为企业构建体验自然的智能机器人提供了完整实践路径。该方案特别强调配置简化与部署便捷

weixin_27155667的博客 696

湖北师范大学-Python程序设计-3.4 存款买房(project)

假定你每 6 个月加一次工资,每半年加薪比例 semi_annual_raise 是一个表示百分比的整数,例如 7 表示 7%,即第 7、13、19、25... 个月月头涨一次工资,工资涨幅为 7%。分别为根据输入值计算的首付款、月存款、存够首付的月份数目,输出结果严格保留 2 位小数,具体输出格式见示例。根据提示,在右侧编辑器补充代码,计算并输出首付款、每年年底已存工资款总数、存够首付的月数 n。根据提示,在右侧编辑器补充代码,计算并输出计算的首付款、月存款、存够首付的月份数目。你的存款从 0 元开始。

柠檬喝汽水的博客 2412

Unity四部曲(核心)

需要先改成Cube复杂的展开留到unity进阶再说。

ultraman1234566的博客 2797

湖北师范大学-Python程序设计-4.1 来自计算机的问候(project)

定义一个函数 say_hi_gender(),有 2 个参数 full_name 和 gender,接受人名和性别(“男”或“女”)的字符串为参数,函数的返回值为“尊敬的XXX先生/女士,欢迎来到火星!有时候你预先不知道函数需要多少实参,此时可以给函数传递一个用 “*” 开头的序列类型的参数,例如:“*id” ,形参名 id 前面的星号会让 Python 创建一个空元组,将收集到的所有实参值都封装到这个元组里。”,例如函数的参数为“李白”,返回值为“李白,你好!本关任务:编写一个有参有返回值函数的小程序。

柠檬喝汽水的博客 1647

告别手动改图!用Python+PyWin32驱动SolidWorks,实现参数自动化修改(保姆级避坑指南)

本文详细介绍了如何利用Python和PyWin32驱动SolidWorks实现参数自动化修改,提供从环境配置到API连接的工业级解决方案。通过实战案例和避坑指南,帮助工程师高效搭建自动化脚本工作流,显著提升设计效率。

weixin_30614109的博客 743

训练救星!EMA多尺度注意力让YOLOv11轻松攻克自定义数据集不涨点难题

在目标检测模型训练中,自定义数据集不涨点是阻碍算法落地的核心痛点之一。传统训练策略在数据分布特殊、样本量有限的场景下极易陷入收敛停滞,而 EMA(指数移动平均)结合多尺度注意力的方案,在自定义数据集上实现mAP 提升 6.5%,同时让训练曲线从“平缓停滞”转为“持续攀升”,彻底解决创新点在自有数据上的性能瓶颈。本教程将带你从原理到实践,通过 EMA 多尺度注意力为 YOLOv11 注入训练稳定性,让你的自定义数据集模型训练实现质的飞跃。EMA 衰减率:小样本数据集建议将decay。

FJN110的博客 160

湖北师范大学-Python程序设计-4.3 素数及应用(project)

常见的猜想陈述为欧拉的版本,即任一大于 2 的偶数都可写成两个素数之和,亦称为“强哥德巴赫猜想”或“关于偶数的哥德巴赫猜想”。输入一个正整数 N,当输入为偶数时,分行按照格式“N = p + q” 输出 N 的所有素数分解,其中 p 、 q 均为素数且 p ≤ q。例如,131 既是素数,其对应的字符串“131”又是回文字符串,所以 131 是回文素数。将素数的判定代码定义为一个函数,接受用户输入的正整数 n,返回 n 是否是素数,n 为素数时返回 True,不是素数时返回 False。

柠檬喝汽水的博客 2021

SAP_MM_配额安排_PA认证总结

配额安排是企业进行供应商管理的一种方式。通过配额管理,企业可以与多家供应商保持业务往来,以保证某些紧缺原材料的正常供货。此外,企业也可以通过不同的配额比例,提高供应商优化服务、降低价格的积极性。

java_zhong1990的专栏 1021

湖北师范大学-Python程序设计-5.6 单词猎手游戏(project)

实现 read_file(file) 函数,参数为要读取的文件名,功能是读取文件内容为字符串,用空格替换掉字符串中全部标点、符号,再根据空格切分为一个列表,返回这个列表。实现 read_file(file)函数,参数为要读取的文件名,功能是读取文件内容为字符串,用空格替换掉字符串中全部标点、符号,再根据空格切分为一个列表,返回这个列表。当前猜测结果为:_ _ _ _ _ _ _当前猜测结果为:_ e _ _ _ _ _当前猜测结果为:_ e l l _ _ _当前猜测结果为:_ _ a _ _

柠檬喝汽水的博客 1749

一次点击跑通:用 Postman 自动获取并携带 CSRF token,测试 SAP OData 写操作

SAP OData 写操作自动化测试方案 针对 SAP Gateway OData 服务写操作中常见的 CSRF token 验证问题,本文提出了一套基于 Postman 的自动化解决方案: 问题分析:解释了 CSRF token 的验证机制及其必要性,说明手工测试效率低下的原因 解决方案: 使用 Postman 环境变量存储 token 通过脚本自动获取并传递 token 利用 Collection Runner 实现一键执行 实施步骤: 创建环境变量存储 token 第一个请求获取 token 并存入变

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 306

MFC Tab Control控件完全指南:从基础使用到高级定制

本文详细介绍了MFC中TabControl控件的使用方法和高级技巧。主要内容包括:1) TabControl基础属性设置与绑定;2) 样式定制和外观自定义;3) 创建派生类实现扩展功能;4) 动态页面管理和子对话框控制;5) 高级功能如标签拖拽排序和右键菜单。通过完整代码示例,展示了从基本应用到复杂场景的实现方案,包括多标签页管理、自定义绘制、动态添加/删除标签等核心功能,为MFC开发者提供了全面的TabControl开发指南。

专注现代C++实战,从核心语法到高性能编程,助力开发者深入掌握系统级编程精髓。 258

湖北师范大学-Python程序设计-3.1 中国古代数学问题(project)

唐朝时,一斗酒的斗所采用的度量是小斗,也就是4斤,当时一斤取值范围大约在500多到600克左右,换算一下可知唐朝一斗酒的重量取值范围在2000克到2400克左右。有一座八层宝塔,每一层都有一些琉璃灯,每一层的灯数都是上一层的二倍,已知共有 765 盏琉璃灯,计算并输出每层各有多少盏琉璃灯。输出不超过 n 且满足条件的物品个数 m,如果有多个解,则分行输出,每行一个解;第二行输出 2 个浮点数,依次为小鼠和大鼠打洞的距离,单位为尺,保留小数点后 1 位数字。一个浮点数 f,表示李白的酒壶原来有 f 斗酒。

柠檬喝汽水的博客 2734

【安全机制分析案例】从PDF预览页面提取原始PDF文件的方法原理与实践 篇二:基于致远互联(Seeyon)封装的SuwellLightRead技术

该HTML代码片段展示了致远OA协同办公系统的前端页面结构,包含多个CSS样式表和JavaScript文件的引用。页面设置了IE兼容模式,加载了全局环境变量、UI组件库和公告模块相关资源。代码中定义了系统路径、静态资源后缀等全局变量,并包含公告查看功能的相关配置参数。页面还引用了水印、文档处理、即时通讯等功能的JS文件,并设置了文件下载框架。整体呈现了一个典型的OA系统前端实现方案,包含浏览器兼容处理、资源加载和功能模块初始化等逻辑。

生活在别处 2074

湖北师范大学-Python程序设计-6.3 分配学号(project)

例如‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‫‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‫‪‪‪‪‪‪‪‪:012171985170110 表示本科生、2017年入学、文法学院、 编辑出版专业、1701班、排名为10的同学。学号创建规则是:‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‫‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‪‫‪‪‪‪‪‪‪‪学生层次+入学年份后两位+学院代码+专业代码+班级号+班中排名;012142172140101 段宁 女 国际学院 金融 金融gj1401 2014。

柠檬喝汽水的博客 828

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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

湖北师范大学-Python程序设计-3.5 鸡兔同笼(project)

请编一个程序,用户在同一行内输入两个整数,代表两个笼中全部鸡和兔的头和脚的数量,编程计算两笼中各有多少只鸡和兔以及两笼中共有多少鸡和兔(假设鸡和兔都正常,无残疾)。请编一个程序,用户在同一行内输入两个整数,代表头和脚的数量,编程计算笼中各有多少只鸡和兔(假设鸡和兔都正常,无残疾)。a, b = map(int, input().split(',')) # 将输入的以逗号分隔的两个值,转换为整数后命名为a和b。有若干只鸡兔同在一个笼子里,从上面数,有35个头,从下面数,有94只脚,问笼中各有多少只鸡和兔?

柠檬喝汽水的博客 997

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")

湖北师范大学-Python程序设计-5.1 统计英文文件中的单词数(project)

提示:统计单词数量时,形如It's、Let's 、don't的缩写形式要切分或替换处理为2个单词计数。另外为了处理方便,约定所有测试文件中没有's表示所有格的情况。本题的数据文件的路径可以点右上角的数据集,然后按提示点击复制,这样可以看到文件的路径,用加号将文件路径与文件 名拼接到一起使用。输出为一行,是打开并读取输入的文件名,对文件内容进行单词数目统计后的结果, 输出共有m个单词,具体格式见示例。本题不保证每个标点符号后面都有空格,所以统计单词时要先将标点符号替换为空格再进行统计。

柠檬喝汽水的博客 1357

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!

湖北师范大学-Python程序设计-3.2 个人所得税计算器(project)

根据提示,在右侧编辑区补充代码,计算并输出个人所应缴税款和实发工资,输出的数值四舍五入保留2位小数。输出为一行,形如:应缴税款 490.00 元,实发工资 11510.00元。输入为三行,每一行一个浮点数,分别代表应发工资、五险一金、个税起征点。应缴税款0.00元,实发工资4988.00元。

柠檬喝汽水的博客 1157

2024.11.18练习作业

基本的选择语句例题

2402_87637398的博客 503

实训八 选做题

二分法的应用与变种 滑动窗口法 动态规划 哈希集合

m0_67245659的博客 424

【头歌】列表类型翻转教学

第1关:输入数据创建列表10位评委为参加程序设计创意赛的选手打分,评分规则是不允许弃权,评分在0-10分之间,包含0和10。每位评委打出分数后,记录员将该分数输入计算机中,所有分数都以浮点数类型存放在同一个列表中。输出包含全部成绩的列表。

nianci602的博客 3786

寻找反素数

def is_prime(n): """判断素数的函数,接收一个正整数为参数,参数是素数时返回True,否则返回False。减小判定区间,减少循环次数,提升效率""" if n < 2: return False for i in range(2, int(n ** 0.5) + 1): if n % i == 0: return False return True def reverse_prime(num.

Zzzzzz_m的博客 3137
上一篇: 湖北师范大学-Python程序设计-4.1 来自计算机的问候(project)
下一篇: 湖北师范大学-Python程序设计-4.3 素数及应用(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