Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >我的代码日程

我的代码日程

作者头像
Java架构师必看
发布于 2021-08-03 02:58:37
发布于 2021-08-03 02:58:37
6120
举报
文章被收录于专栏:Java架构师必看Java架构师必看

我的代码日程

强烈推介IDEA2020.2破解激活,IntelliJ IDEA 注册码,2020.2 IDEA 激活码

1. 打印100~200 之间的素数

2. 输出乘法口诀表 3. 判断1000年---2000年之间的闰年

1*1=1 2*1=2 2*2=4 3*1=3 3*2=6 3*3=9 。。。

 素数

#include<stdio.h>

int main()

{

int i,n=0;

for(n=101;n<=200;n=n+2)

{

for(i=2;i<=n;i++)

{

if(n%i==0)break;

if(i>=n-1)

printf("%5d",n);

}

    if(n%5==0)

printf("\n");

}

printf("\n");

return 0;

getchar();

乘法表

 #include<stdio.h>

int main()

{

int i,j;

for(i=1;i<=9;i++)

{

for(j=1;j<=i;j++)

{

printf("%d*%d=%d   ",i,j,i*j);

}

printf("\n");

}

return 0;

闰年

 #include<stdio.h>

int main()

{

int year=0;

for(year=1000;year<=2000;year++)

{if((year%4==0)&&(year%100!=0)||(year%400==0))

printf("%d  ",year);

}

return 0;

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
05-PyTorch自定义数据集Datasets、Loader和tranform
对于机器学习中的许多不同问题,我们采取的步骤都是相似的。PyTorch 有许多内置数据集,用于大量机器学习基准测试。除此之外也可以自定义数据集,本问将使用我们自己的披萨、牛排和寿司图像数据集,而不是使用内置的 PyTorch 数据集。具体来说,我们将使用 torchvision.datasets 以及我们自己的自定义 Dataset 类来加载食物图像,然后我们将构建一个 PyTorch 计算机视觉模型,希望对三种物体进行分类。
renhai
2023/11/24
1.1K0
05-PyTorch自定义数据集Datasets、Loader和tranform
20 | 使用PyTorch完成医疗图像识别大项目:编写训练模型代码
在之前的环节,我们已经能够读取数据,并且构建了我们的Dataset类,处理了数据中各种异常情况,并把数据转换成PyTorch可以处理的样子。一般来说,到了这一步就开始训练模型了。先不要考虑模型的效果,也不用做什么优化,先把模型训练跑通,看一下我们的效果,这样这个结果就可以作为baseline,然后再考虑优化的事情,每进行一步优化,就可以看到它对比基线有没有效果上的提升。话不多说,我们这就来搞一个模型。
机器学习之禅
2022/07/11
1.1K0
20 | 使用PyTorch完成医疗图像识别大项目:编写训练模型代码
27 | 使用PyTorch完成医疗图像识别大项目:实现端到端模型方案
接下来需要再做一些工作,并把我们前面搞好的模型串起来,形成一个端到端的解决方案。这个方案如下,首先是从原始的CT数据出发进行图像分割,识别可能是结节的体素,并对这些体素区域进行分组,然后用这些分割出的候选结节信息进行分类,首先是区分这是否是一个结节,针对是结节的,再区分这是否是一个恶性结节,这样就完成了整个模型框架。
机器学习之禅
2022/07/11
1.6K2
27 | 使用PyTorch完成医疗图像识别大项目:实现端到端模型方案
23 | 使用PyTorch完成医疗图像识别大项目:优化数据
上一小节修改了我们的评估指标,然而效果并没有什么变化,甚至连指标都不能正常的输出出来。我们期望的是下面这种样子,安全事件都聚集在左边,危险事件都聚集在右边,中间只有少量的难以判断的事件,这样我们的模型很容易分出来,错误率也会比较低。
机器学习之禅
2022/07/11
8310
23 | 使用PyTorch完成医疗图像识别大项目:优化数据
21 | 使用PyTorch完成医疗图像识别大项目:训练模型
昨天我们已经完成了训练和验证模型的主体代码,在进行训练之前,我们还需要处理一下输出信息。前面我们已经记录了一部分信息到trnMetrics_g和valMetrics_g中,每迭代一个周期,就会输出一次结果方便我们查看。如果发现模型的结果很差,比如说出现了无法收敛的情况,我们就可以中止模型训练,不用再浪费更多时间,因为一个深度模型训练需要花费很长的时间。
机器学习之禅
2022/07/11
7211
21 | 使用PyTorch完成医疗图像识别大项目:训练模型
PyTorch 深度学习(GPT 重译)(五)
上一章的结束让我们陷入了困境。虽然我们能够将深度学习项目的机制放置好,但实际上没有任何结果是有用的;网络只是将一切都分类为非结节!更糟糕的是,结果表面看起来很好,因为我们正在查看训练和验证集中被正确分类的整体百分比。由于我们的数据严重倾向于负样本,盲目地将一切都视为负面是我们的模型快速得分的一种简单而快速的方法。太糟糕了,这样做基本上使模型无用!
ApacheCN_飞龙
2024/03/21
1560
PyTorch 深度学习(GPT 重译)(五)
24 | 使用PyTorch完成医疗图像识别大项目:图像分割数据准备
本周有点丧,前面几天不是忙于面试就是忙于塞尔达炸鱼,一直没更新,好在这周把这本书读完了,今天再更一篇,终于快要结束了。
机器学习之禅
2022/07/11
1.6K0
24 | 使用PyTorch完成医疗图像识别大项目:图像分割数据准备
26 | 使用PyTorch完成医疗图像识别大项目:分割模型实训
安装完之后,首先读取原来的标注文件。这个文件里记录了1000多个结节的坐标和直径信息。
机器学习之禅
2022/07/11
9250
26 | 使用PyTorch完成医疗图像识别大项目:分割模型实训
22 | 使用PyTorch完成医疗图像识别大项目:模型指标
今天又是相对轻松的一节。今天我们来研究一下评估模型的指标问题。前两节我们已经把模型训练完了,并且能够在TensorBoard上面查看我们的迭代效果。但是模型的效果实在是不如人意,哪怕我已经把全部的数据都加进去了,但是模型也只能学会把类别都归为非节点。
机器学习之禅
2022/07/11
8890
22 | 使用PyTorch完成医疗图像识别大项目:模型指标
手把手教你训练自己的Mask R-CNN图像实例分割模型(PyTorch官方教程)
关于Mask R-CNN的详细理论说明,可以参见原作论文https://arxiv.org/abs/1703.06870,网上也有大量解读的文章。本篇博客主要是参考了PyTorch官方给出的训练教程,将如何在自己的数据集上训练Mask R-CNN模型的过程记录下来,希望能为感兴趣的读者提供一些帮助。
全栈程序员站长
2022/09/23
4K1
手把手教你训练自己的Mask R-CNN图像实例分割模型(PyTorch官方教程)
收藏 | PyTorch Cookbook:常用代码段集锦
链接 | https://zhuanlan.zhihu.com/p/59205847
AI算法修炼营
2020/06/03
7300
收藏 | PyTorch Cookbook:常用代码段集锦
语义分割:最简单的代码实现!
分割对于图像解释任务至关重要,那就不要落后于流行趋势,让我们来实施它,我们很快就会成为专业人士!
小白学视觉
2022/02/14
1.2K0
语义分割:最简单的代码实现!
在PyTorch中使用DeepLabv3进行语义分割的迁移学习
当我在使用深度学习进行图像语义分割并想使用PyTorch在DeepLabv3[1]上运行一些实验时,我找不到任何在线教程。并且torchvision不仅没有提供分割数据集,而且也没有关于DeepLabv3类内部结构的详细解释。然而,我是通过自己的研究进行了现有模型的迁移学习,我想分享这个过程,这样可能会对你们有帮助。
deephub
2020/12/24
1.5K0
Transformers 4.37 中文文档(四)
www.youtube-nocookie.com/embed/KWwzcmG98Ds
ApacheCN_飞龙
2024/06/26
4040
Transformers 4.37 中文文档(四)
深度学习黑客竞赛神器:基于PyTorch图像特征工程的深度学习图像增强
在深度学习黑客竞赛中表现出色的技巧(或者坦率地说,是任何数据科学黑客竞赛) 通常归结为特征工程。当您获得的数据不足以建立一个成功的深度学习模型时,你能发挥多少创造力?
磐创AI
2020/06/05
9780
18 | 使用PyTorch完成医疗图像识别大项目:理解数据
上一节我们理解了业务,也就是我们这个项目到底要做什么事情,并定好了一个方案。这一节我们就开始动手了,动手第一步就是把数据搞清楚,把原始数据搞成我们可以用PyTorch处理的样子。这个数据不同于我们之前用的图片数据,像之前那种RGB图像拿过来做一些简单的预处理就可以放进tensor中,这里的医学影像数据预处理部分就要复杂的多。比如说怎么去把影像数据导入进来,怎么转换成我们能处理的形式;数据可能存在错误,给定的结节位置和实际的坐标位置有偏差;数据量太大我们不能一次性加载怎么处理等等。今天理解数据这部分处理的就是之前整个项目框架图的第一步,关于数据加载的问题。
机器学习之禅
2022/07/11
1.8K1
18 | 使用PyTorch完成医疗图像识别大项目:理解数据
Unet网络实现叶子病虫害图像分割
智能化农业作为人工智能应用的重要领域,对较高的图像处理能力要求较高,其中图像分割作为图像处理方法在其中起着重要作用。图像分割是图像分析的关键步骤, 在复杂的自然背景下进行图像分割, 难度较大。
AI科技大本营
2021/09/03
2K0
PyTorch 人工智能研讨会:6~7
本章扩展了循环神经网络的概念。 您将了解循环神经网络(RNN)的学习过程以及它们如何存储内存。 本章将介绍长短期记忆(LSTM)网络架构,该架构使用短期和长期存储器来解决数据序列中的数据问题。 在本章的最后,您将牢固地掌握 RNN 以及如何解决自然语言处理(NLP)数据问题。
ApacheCN_飞龙
2023/04/27
1.6K0
轻松学Pytorch –Mask-RCNN图像实例分割
前面介绍了torchvison框架下Faster-RCNN对象检测模型使用与自定义对象检测的数据集制作与训练。在计算机视觉所要面对的任务中,最常见的就是对象检测、图像语义分割跟实例分割,torchvision支持Mask-RCNN模型的调用与自定义数据训练,可以同时实现对象检测与实例分割任务。本文主要跟大家分享一下如何使用mask-rcnn网络实现对象检测与实例分割,下一篇将会介绍如何制作数据集训练Mask-RCNN网络。
OpenCV学堂
2020/08/17
2.5K0
PyTorch 深度学习(GPT 重译)(四)
第 2 部分的结构与第 1 部分不同;它几乎是一本书中的一本书。我们将以几章的篇幅深入探讨一个单一用例,从第 1 部分学到的基本构建模块开始,构建一个比我们迄今为止看到的更完整的项目。我们的第一次尝试将是不完整和不准确的,我们将探讨如何诊断这些问题,然后修复它们。我们还将确定我们解决方案的各种其他改进措施,实施它们,并衡量它们的影响。为了训练第 2 部分中将开发的模型,您将需要访问至少 8 GB RAM 的 GPU,以及数百 GB 的可用磁盘空间来存储训练数据。
ApacheCN_飞龙
2024/03/21
3390
PyTorch 深度学习(GPT 重译)(四)
推荐阅读
相关推荐
05-PyTorch自定义数据集Datasets、Loader和tranform
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档