(OJ题)求一个数的二进制中有多少个一

求一个数的二进制中有多少个一

题目:

输入一个整数,输出该数32位二进制表示中1的个数。其中负数用补码表示。

例如:
==输入==:10  (1010)
==输出==:2

答案:

class Solution {
public:
     int NumberOf1(int n) {
        int count = 0;
        while (n) {
            count++;
            n=(n-1)&n;
        }
        return count;
    }
};

实现思路

在最初思考的时候,想到了能不能用比较笨拙的方式,例如先将十进制数转换成二进制,再通过循环的方式进行遍历查找,但是这样需要开辟较多的数组空间,在时间和空间复杂度上效果都不佳。

通过题目可以注意到一个信息:本题的本质实际上是通过十进制计算其中的二进制信息按位操作是一个很好的工具,它绕过了将十进制转成二进制的过程。
回到代码,其最核心的操作就是:while (n) { count++; n=(n-1)&n; }

这种计算方式的核心要点就是n-1这一操作,其区别在于n-1将n的最低位的1移走了,所以n与n-1的最大区别就是以最低位的1为界,比它高位的数不变,比他低位和该位置的数完全不同

例如:
100: 0110 0100
99: 0110 0011

可以看出100的最低位是第三位,所以99中从第三位开始到最低位和100正好相反。

同理:
96: 0110 0000
95: 0101 1111

这个例子就更加明显了。当然还有一个更明显的:

64: 0100 0000
63: 0011 1111

所以在原本的代码中,每一次循环都将最低位的1取了出来。

while (n) 
{
	count++;
	n=(n-1)&n;
}
### LlamaIndex 多模态 RAG 实现 LlamaIndex 支持多种数据类型的接入与处理,这使得它成为构建多模态检索增强生成(RAG)系统的理想选择[^1]。为了实现这一目标,LlamaIndex 结合了不同种类的数据连接器、索引机制以及强大的查询引擎。 #### 数据连接器支持多样化输入源 对于多模态数据的支持始于数据收集阶段。LlamaIndex 的数据连接器可以从多个异构资源中提取信息,包括但不限于APIs、PDF文档、SQL数据库等。这意味着无论是文本还是多媒体文件中的内容都可以被纳入到后续的分析流程之中。 #### 统一化的中间表示形式 一旦获取到了原始资料之后,下一步就是创建统一而高效的内部表达方式——即所谓的“中间表示”。这种转换不仅简化了下游任务的操作难度,同时也提高了整个系统的性能表现。尤其当面对复杂场景下的混合型数据集时,良好的设计尤为关键。 #### 查询引擎助力跨媒体理解能力 借助于内置的强大搜索引擎组件,用户可以通过自然语言提问的形式轻松获得所需答案;而对于更复杂的交互需求,则提供了专门定制版聊天机器人服务作为补充选项之一。更重要的是,在这里实现了真正的语义级关联匹配逻辑,从而让计算机具备了一定程度上的‘认知’功能去理解和回应人类意图背后所蕴含的意义所在。 #### 应用实例展示 考虑到实际应用场景的需求多样性,下面给出一段Python代码示例来说明如何利用LlamaIndex搭建一个多模态RAG系统: ```python from llama_index import GPTSimpleVectorIndex, SimpleDirectoryReader, LLMPredictor, PromptHelper, ServiceContext from langchain.llms.base import BaseLLM import os def create_multi_modal_rag_system(): documents = SimpleDirectoryReader(input_dir='./data').load_data() llm_predictor = LLMPredictor(llm=BaseLLM()) # 假设已经定义好了具体的大型预训练模型 service_context = ServiceContext.from_defaults( chunk_size_limit=None, prompt_helper=PromptHelper(max_input_size=-1), llm_predictor=llm_predictor ) index = GPTSimpleVectorIndex(documents, service_context=service_context) query_engine = index.as_query_engine(similarity_top_k=2) response = query_engine.query("请描述一下图片里的人物表情特征") print(response) ``` 此段脚本展示了从加载本地目录下各类格式文件开始直到最终完成一次基于相似度排序后的top-k条目返回全过程。值得注意的是,“query”方法接收字符串参数代表使用者想要询问的内容,而在后台则会自动调用相应的解析模块并结合先前准备好的知识库来进行推理计算得出结论。
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