Java中如何解决double和float精度不准的问题

我们知道浮点数是无法在计算机中准确表示的,例如0.1在计算机中只是表示成了一个近似值,因此,对付点数的运算时结果具有不可预知性。

在进行数字运算时,如果有double或float类型的浮点数参与计算,偶尔会出现计算不准确的情况。如以下示例代码:

[java]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. package ex;  
  2.   
  3. public class BigDeciTest {  
  4.     public static void main(String[] args){  
  5.         System.out.println(0.05+0.01);  
  6.         System.out.println(1.0-0.42);  
  7.         System.out.println(4.015*100);  
  8.         System.out.println(123.3/100);  
  9.           
  10.     }  
  11.   
  12. }  
上述代码执行结果如下:

[plain]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. 0.060000000000000005  
  2. 0.5800000000000001  
  3. 401.49999999999994  
  4. 1.2329999999999999  

在大多数情况下,使用double和float计算的结果是准确的,但是在一些精度要求很高的系统中,这种问题是非常严重的。

在《Effective Java》中提到一个原则,那就是float和double只能用来作科学计算或者是工程计算,但在商业计算中我们要用java.math.BigDecimal,通过使用BigDecimal类我们可以解决上述问题,实例代码如下:

[java]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. package ex;  
  2.   
  3. import java.math.*;  
  4.   
  5. public class BigDecimalDemo {  
  6.     public static void main(String[] args){  
  7.         System.out.println(ArithUtil.add(0.010.05));  
  8.         System.out.println(ArithUtil.sub(1.00.42));  
  9.         System.out.println(ArithUtil.mul(4.015100));  
  10.         System.out.println(ArithUtil.div(123.3100));  
  11.     }  
  12. }  
  13.   
  14. class ArithUtil{  
  15.     private static final int DEF_DIV_SCALE=10;  
  16.       
  17.     private ArithUtil(){}  
  18.       
  19.     public static double add(double d1,double d2){  
  20.         BigDecimal b1=new BigDecimal(Double.toString(d1));  
  21.         BigDecimal b2=new BigDecimal(Double.toString(d2));  
  22.         return b1.add(b2).doubleValue();  
  23.           
  24.     }  
  25.       
  26.     public static double sub(double d1,double d2){  
  27.         BigDecimal b1=new BigDecimal(Double.toString(d1));  
  28.         BigDecimal b2=new BigDecimal(Double.toString(d2));  
  29.         return b1.subtract(b2).doubleValue();  
  30.           
  31.     }  
  32.       
  33.     public static double mul(double d1,double d2){  
  34.         BigDecimal b1=new BigDecimal(Double.toString(d1));  
  35.         BigDecimal b2=new BigDecimal(Double.toString(d2));  
  36.         return b1.multiply(b2).doubleValue();  
  37.           
  38.     }  
  39.       
  40.     public static double div(double d1,double d2){  
  41.   
  42.         return div(d1,d2,DEF_DIV_SCALE);  
  43.           
  44.     }  
  45.       
  46.     public static double div(double d1,double d2,int scale){  
  47.         if(scale<0){  
  48.             throw new IllegalArgumentException("The scale must be a positive integer or zero");  
  49.         }  
  50.         BigDecimal b1=new BigDecimal(Double.toString(d1));  
  51.         BigDecimal b2=new BigDecimal(Double.toString(d2));  
  52.         return b1.divide(b2,scale,BigDecimal.ROUND_HALF_UP).doubleValue();  
  53.           
  54.     }  
  55.       
  56. }  

运行结果如下:

[plain]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. 0.06  
  2. 0.58  
  3. 401.5  
  4. 1.233  

详细,请参考API文档。

 

转自:http://blog.youkuaiyun.com/yinan9/article/details/17283081 

转载于:https://www.cnblogs.com/jym-sunshine/p/5853070.html

一、数据采集层:多源人脸数据获取 该层负责从不同设备 / 渠道采集人脸原始数据,为后续模型训练与识别提供基础样本,核心功能包括: 1. 多设备适配采集 实时摄像头采集: 调用计算机内置摄像头(或外接 USB 摄像头),通过OpenCV的VideoCapture接口实时捕获视频流,支持手动触发 “拍照”(按指定快捷键如Space)或自动定时采集(如每 2 秒采集 1 张),采集时自动框选人脸区域(通过Haar级联分类器初步定位),确保样本聚焦人脸。 支持采集参数配置:可设置采集分辨率(如 640×480、1280×720)、图像格式(JPG/PNG)、单用户采集数量(如默认采集 20 张,确保样本多样性),采集过程中实时显示 “已采集数量 / 目标数量”,避免样本不足。 本地图像 / 视频导入: 支持批量导入本地人脸图像文件(支持 JPG、PNG、BMP 格式),自动过滤非图像文件;导入视频文件(MP4、AVI 格式)时,可按 “固定帧间隔”(如每 10 帧提取 1 张图像)或 “手动选择帧” 提取人脸样本,适用于无实时摄像头场景。 数据集对接: 支持接入公开人脸数据集(如 LFW、ORL),通过预设脚本自动读取数据集目录结构(按 “用户 ID - 样本图像” 分类),快速构建训练样本库,无需手动采集,降低系统开发与测试成本。 2. 采集过程辅助功能 人脸有效性校验:采集时通过OpenCV的Haar级联分类器(或MTCNN轻量级模型)实时检测图像中是否包含人脸,若未检测到人脸(如遮挡、侧脸角度过大),则弹窗提示 “未识别到人脸,请调整姿态”,避免无效样本存入。 样本标签管理:采集时需为每个样本绑定 “用户标签”(如姓名、ID 号),支持手动输入标签或从 Excel 名单批量导入标签(按 “标签 - 采集数量” 对应),采集完成后自动按 “标签 - 序号” 命名文件(如 “张三
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