1049. Counting Ones (30)-PAT

本文介绍了一个计算从1到N范围内所有整数中出现的1的总数的算法,通过分解数字并逐位计算的方法,实现了高效的计算。

1049. Counting Ones (30)

时间限制
10 ms
内存限制
32000 kB
代码长度限制
16000 B
判题程序
Standard
作者
CHEN, Yue

The task is simple: given any positive integer N, you are supposed to count the total number of 1's in the decimal form of the integers from 1 to N. For example, given N being 12, there are five 1's in 1, 10, 11, and 12.

Input Specification:

Each input file contains one test case which gives the positive N (<=230).

Output Specification:

For each test case, print the number of 1's in one line.

Sample Input:
12
Sample Output:
5
推荐指数:※※
来源:http://pat.zju.edu.cn/contests/pat-a-practise/1049
这道题在剑指offer上面也有,不错个人觉得http://blog.youkuaiyun.com/sunbaigui/article/details/8672335分别计算每一位1更为高效和好理解。
#include <iostream>
using namespace std;
int Count(int n)
{
	int sum,now,left,right;
	int base;
	base=1;
	sum=0;
	while(n/base!=0){
		now=(n/base)%10;/*the number of now*/
		left=n/(base*10);/*the number of left*/
		right=n%base;/*the number of right*/
		if(now==0){
			sum+=left*base;
		}
		else if(now==1)
		{
			sum+=left*base+right+1;
		}
		else
		{
			sum+=(left+1)*base;
		}
		base=base*10;
	}
	return sum;
}
int main()
{
	int n;
	cin>>n;
	cout<<Count(n)<<endl;
	return 0;
}


 
内容概要:本文是一篇关于使用RandLANet模型对SensatUrban数据集进行点云语义分割的实战教程,系统介绍了从环境搭建、数据准备、模型训练与测试到精度评估的完整流程。文章详细说明了在Ubuntu系统下配置TensorFlow 2.2、CUDA及cuDNN等深度学习环境的方法,并指导用户下载和预处理SensatUrban数据集。随后,逐步讲解RandLANet代码的获取与运行方式,包括训练、测试命令的执行与参数含义,以及如何监控训练过程中的关键指标。最后,教程涵盖测试结果分析、向官方平台提交结果、解读评估报告及可视化效果等内容,并针对常见问题提供解决方案。; 适合人群:具备一定深度学习基础,熟悉Python编程和深度学习框架,从事计算机视觉或三维点云相关研究的学生、研究人员及工程师;适合希望动手实践点云语义分割项目的初学者与进阶者。; 使用场景及目标:①掌握RandLANet网络结构及其在点云语义分割任务中的应用;②学会完整部署一个点云分割项目,包括数据处理、模型训练、测试与性能评估;③为参与相关竞赛或科研项目提供技术支撑。; 阅读建议:建议读者结合提供的代码链接和密码访问完整资料,在本地或云端环境中边操作边学习,重点关注数据格式要求与训练参数设置,遇到问题时参考“常见问题与解决技巧”部分及时排查。
内容概要:本文详细介绍了三相异步电机SVPWM-DTC(空间矢量脉宽调制-直接转矩控制)的Simulink仿真实现方法,结合DTC响应快与SVPWM谐波小的优点,构建高性能电机控制系统。文章系统阐述了控制原理,包括定子磁链观测、转矩与磁链误差滞环比较、扇区判断及电压矢量选择,并通过SVPWM技术生成固定频率PWM信号,提升系统稳态性能。同时提供了完整的Simulink建模流程,涵盖电机本体、磁链观测器、误差比较、矢量选择、SVPWM调制、逆变器驱动等模块的搭建与参数设置,给出了仿真调试要点与预期结果,如电流正弦性、转矩响应快、磁链轨迹趋圆等,并提出了模型优化与扩展方向,如改进观测器、自适应滞环、弱磁控制和转速闭环等。; 适合人群:电气工程、自动化及相关专业本科生、研究生,从事电机控制算法开发的工程师,具备一定MATLAB/Simulink和电机控制理论基础的技术人员。; 使用场景及目标:①掌握SVPWM-DTC控制策略的核心原理与实现方式;②在Simulink中独立完成三相异步电机高性能控制系统的建模与仿真;③通过仿真验证控制算法有效性,为实际工程应用提供设计依据。; 阅读建议:学习过程中应结合文中提供的电机参数和模块配置逐步搭建模型,重点关注磁链观测、矢量选择表和SVPWM调制的实现细节,仿真时注意滞环宽度与开关频率的调试,建议配合MATLAB官方工具箱文档进行参数校准与结果分析。
(myenv) (base) E:\paddleDetection\PaddleDetection-release-2.8.1\deploy\pipeline>python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ --image_file="E:\屏幕截图_22-7-2025_94834_cn.bing.jpg"--device=gpu E:\anaconda\ana\python.exe: can't open file 'E:\\paddleDetection\\PaddleDetection-release-2.8.1\\deploy\\pipeline\\deploy\\pipeline\\pipeline.py': [Errno 2] No such file or directory (myenv) (base) E:\paddleDetection\PaddleDetection-release-2.8.1\deploy\pipeline>python E:\paddleDetection\PaddleDetection-release-2.8.1/deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \ --image_file="E:\屏幕截图_22-7-2025_94834_cn.bing.jpg"--device=gpu 信息: 用提供的模式无法找到文件。 E:\anaconda\ana\myenv\Lib\site-packages\paddle\utils\cpp_extension\extension_utils.py:715: UserWarning: No ccache found. Please be aware that recompiling all source files may be required. You can download and install ccache from: https://github.com/ccache/ccache/blob/master/doc/INSTALL.md warnings.warn(warning_message) Warning: Unable to use motmetrics in MTMCT in PP-Tracking, please install motmetrics, for example: `pip install motmetrics`, see https://github.com/longcw/py-motmetrics Warning: Unable to use motmetrics in MTMCT in PP-Tracking, please install motmetrics, for example: `pip install motmetrics`, see https://github.com/longcw/py-motmetrics usage: pipeline.py [-h] [-o [OPT ...]] --config CONFIG [--image_file IMAGE_FILE] [--image_dir IMAGE_DIR] [--video_file VIDEO_FILE] [--video_dir VIDEO_DIR] [--rtsp RTSP [RTSP ...]] [--camera_id CAMERA_ID] [--output_dir OUTPUT_DIR] [--pushurl PUSHURL] [--run_mode RUN_MODE] [--device DEVICE] [--enable_mkldnn ENABLE_MKLDNN] [--cpu_threads CPU_THREADS] [--trt_min_shape TRT_MIN_SHAPE] [--trt_max_shape TRT_MAX_SHAPE] [--trt_opt_shape TRT_OPT_SHAPE] [--trt_calib_mode TRT_CALIB_MODE] [--do_entrance_counting] [--do_break_in_counting] [--illegal_parking_time ILLEGAL_PARKING_TIME] [--region_type REGION_TYPE] [--region_polygon REGION_POLYGON [REGION_POLYGON ...]] [--secs_interval SECS_INTERVAL] [--draw_center_traj] pipeline.py: error: unrecognized arguments: \
07-25
### 解决 PaddleDetection 中 `pipeline.py` 文件路径错误和参数错误问题 在使用 PaddleDetection 的 `pipeline.py` 进行目标检测时,如果遇到文件路径错误或参数错误,通常是由于配置文件路径不正确、参数传递方式错误或模型文件缺失等问题导致的。 #### 文件路径错误 文件路径错误通常表现为 `FileNotFoundError` 或类似的错误提示。在 PaddleDetection 中,`pipeline.py` 会依赖配置文件(如 `configs/ppyolo/ppyolo_r50vd_dcn_d12_3x_coco.yml`)和模型权重文件(如 `model.pdparams`)等资源。如果这些文件的路径未正确配置,就会导致文件无法找到。 确保所有文件路径为**绝对路径**或相对于 `pipeline.py` 的**正确相对路径**。例如,如果配置文件位于 `configs/ppyolo/ppyolo_r50vd_dcn_d12_3x_coco.yml`,则应确保该路径在运行时可访问。 #### 参数错误 参数错误通常表现为 `unrecognized arguments` 或 `missing arguments`。PaddleDetection 的 `pipeline.py` 接受多个命令行参数,例如 `--config` 指定配置文件、`--image_file` 指定输入图像路径等。如果传递了未定义的参数或遗漏了必要参数,程序将报错。 检查命令行参数是否符合 `pipeline.py` 所需的格式。例如: ```bash python pipeline.py --config configs/ppyolo/ppyolo_r50vd_dcn_d12_3x_coco.yml --image_file test.jpg ``` 上述命令中,`--config` 和 `--image_file` 是必须的参数,若遗漏或拼写错误,将导致参数错误。 #### 路径解析逻辑 PaddleDetection 的 `pipeline.py` 在解析文件路径时,可能涉及对字符串的路径处理逻辑。例如,以下代码片段展示了如何根据文件名后缀区分不同类型的文件并分别处理: ```python for s in source: # 按照路径符对字符串解析,以 macros.py 结尾的文件读取存在列表中 if (os.path.split(str(s))[1]).endswith('macros.py'): macro_lines.extend(ReadLines(str(s))) else: # 将所有 JS 文件加到列表中 modules.append(s) ``` 这种逻辑在路径处理中较为常见,若路径未正确解析,可能导致文件无法被正确识别[^2]。 #### 模型路径与训练/测试流程 PaddleDetection 的模型训练和测试流程通常依赖于配置文件和模型权重文件。如果路径配置错误,可能导致模型加载失败。例如,在训练过程中,如果模型权重文件路径不正确,将无法恢复训练或进行推理。 确保模型权重文件(如 `model.pdparams`)位于指定目录中,并在配置文件中正确引用。例如: ```yaml weights: output/ppyolo_r50vd_dcn_d12_3x_coco/model.pdparams ``` #### 示例命令 以下是一个完整的示例命令,用于运行 `pipeline.py` 进行目标检测: ```bash python pipeline.py \ --config configs/ppyolo/ppyolo_r50vd_dcn_d12_3x_coco.yml \ --image_file test.jpg \ --save_dir output/ ``` 该命令指定了配置文件、输入图像路径和输出保存目录,确保所有路径正确无误。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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