学习
实践
活动
专区
工具
TVP
写文章

1087 多少不同 (20 分)

1087 多少不同 (20 分) 当自然数 n 依次取 1、2、3、……、N 时,算式 ⌊n/2⌋+⌊n/3⌋+⌊n/5⌋ 多少个不同? (注:⌊x⌋ 为取整函数,表示不超过 x 最大自然数,即 x 整数部分。) 输入格式: 输入给出一个正整数 N(2≤N≤104)。 输出格式: 在一行中输出题面中算式取到不同个数。 ){ 16 count++; 17 } 18 } 19 cout<<count; 20 return 0; 21} 【思路】 本题难度不大,要注意是空间开范围要注意点 然后注意一下,本题要求是取整数部分,也就是最后要需要把double转换成int类型即可。然后遍历一次,进行统计即可。 【学习】 这里引入一下网上优秀代码,好像时间和空间方面确确实实比我要好很多。这里使用了map来进行一个索引映射。最开始我也是想这么写。。有时候还是要相信下自己!

31020
  • 广告
    关闭

    新年·上云精选

    热卖云产品新年特惠,2核2G轻量应用服务器9元/月起,更多上云必备产品助力您轻松上云

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    真正网络安全只差一——“信任”

    网络最初设计目的是通过一个固定边界来创建与外部世界相隔离内部网络。内部网络被认为是可信赖,而外部网络被认为是敌对。 实际上,固定网络边界是永远可破坏,这只是时间问题,足够技能的人最终会通过。 环境变化——云计算和移动办公员工增加 想象一下一座城堡里面只有一个用来获取通道闸门。 如果我们想进去,只需要通过看守人员同意,所以很容易进入。但今天,在这个数字世界中,我们许多小门和方式进入城堡,所有“小门”都需要单独保护。 应用信任框架 SDP是信任扩展,它消除了来自网络隐含信任。SDP概念始于谷歌BeyondCorp,这是该行业目前最流行一个案例。 在信任网络中,特权比传统网络更具动态性,因为它使用许多不同活动属性来确定信任分数。 黑暗网络 连接是基于一个需要知道模型。

    50930

    伽壹浅谈:区块链史上第二次革命,你对DeFi理解多少

    如果从BTC算起,区块链发展已经10余年了,除了BTC石破天惊之外,区块链最新真正意义上转折点,是智能合约平台诞生,智能合约平台带来了新物种,目前最重要是金融和游戏方面,游戏方面主要是以非同质 相比传统中心化金融系统DeFi 平台具有三大优势: a. 资产管理需求个人无需信任任何中介机构新信任在机器和代码上重建; b. 任何人都有访问权限,没人中央控制权; c. 同时DeFi也是传统金融平行世界,传统金融其中介优势,通过服务获得了很多人信任,这能够满足现实世界中大部分人需求,而这个世界上还有一部分人希望自己来掌控金融服务,这也是DeFi存在关键,为了服务这一部分人 DeFi无需许可和透明性,这也是传统金融无法企及,由于DeFi是用户跟区块链上一些智能合约进行交换,人们可以利用它透明性和无需许可特点获利,例如通过dex聚合实现最优交易,通过借贷协议聚合实现最好利息收益 使用难度会逐步降低,一旦形成了使用习惯,会有越来越多的人进入到DeFi领域,但是DeFi格局仍旧未确定,不断智能合约平台加入,还有新项目诞生,这个领域才刚刚开始。

    21430

    深度学习基础-线性回归

    ,我们收集了 n 个样本,则我们就能通过下面的表达式来计算出预测 损失函数 由于估计不可避免地与实际存在偏差,为了量化偏差大小,提出了损失函数概念,下面的函数能够计算一个样本偏差 该函数实质是方差 然而大多数深度学习模型并没有解析解,只能通过有限次迭代来尽可能接近方程解,这种解称为数值解 设函数 f(x),为了求出 f 点,可以通过导数来无限逼近。 当f’(x0)太大或太小时,说明 x0 点很远,则下一个 x1 需要 x0 更远。 当f’(x0)接近 0 时,说明 x0 点很近,则下一个 x1 需要 x0 更近 于是我们得到 x(i+1) 与 xi 关系 其中 η 称为学习率,它决定了下一个与导数之间倍数关系 将该函数推广到多元函数 (w1*,w2*,b),这组参数不一定是使损失函数最小化最优解,而是一组目前最接近最优解特殊解,将这些参数带入回归方程就能得到预测

    12320

    随机过程(4)——返回时间,访问频率定理应用,出分布,出时间

    注意到我们 这么写原因是 极限,根据上一节Theorem 3,我们它趋近于 。那么剩下部分,自然容易看出它是一个时间均值。但是这个时间均值是多少,就要好好算一下了。 设件1每天 概率损坏,件2件3 ,并且假设一天内不会同时损坏两个及以上件,损坏事件相互独立,问在1800天工作时长内,会更换多少件1,件2和件3? 结合 是一个有限集,可以得到 因为相当于把每一个 取了一个最大和最小。 其转移概率矩阵为 (从上到下,从左到右),问一,二年级学生多少概率会毕业? 设 ,那么 ,并且根据“一转移”,我们 概率到 , 概率到 )化简一下,可以得到 所以 关于离散点是一个等差数列,因此可以直接得到 ,也就是这个题答案。

    37140

    java.math包简介,RoundingMode与MathContext

    你到底要近似成为多少? 0?  0.5? 0.33? 1? RoundingMode 就是这么一个存在 如同它名字一样,近似模式 为可能丢弃精度数值操作指定一种舍入行为 舍入模式 UP 远离方向舍入 DOWN 向方向舍入 ? HALF_UP 向最接近数字方向舍入如果与两个相邻数字距离相等,则向上舍入 HALF_DOWN 向最接近数字方向舍入如果与两个相邻数字距离相等,则向下舍入 HALF_EVEN 向最接近数字方向舍入 MathContext则是针对于计算更进一抽象 是封装上下文设置不可变对象,它描述数字运算符某些规则 他拥有两个属性 precision:某个操作使用数字个数;结果舍入到此精度 roundingMode static MathContext UNLIMITED 其设置具有无限精度算法所需 MathContext 对象 ?

    80720

    OpenCV 图像分析之 —— 距离变换

    距离变换 OpenCV中,函数cv2.distanceTransform()用于计算图像中每一个非点像素与其最近点像素之间距离,输出是保存每一个非点与最近距离信息;图像上越亮点,代表了距离越远 图像距离变换定义为一幅新图像,其中每个输出像素被设为输入图像中与最近像素距离一当然得根据某个特定距离度量。不难看出,距离变换生成是某种边缘图像。 计算距离变换方式两种: 第一种方法是使用通常为3×3或5×5阵列掩膜,数组中每个点都定义了与掩膜中心相对特定位置“距离”。 ,或所有都被定义过距离 引用原文示例: 该方法计算出不是精确距离,胜在速度较快 OpenCV 实现 cv2.distanceTransform() 为源图像每个像素计算到最近像素距离 (图论)(以及所有最接近连接元件(图论)像素)都会被分配相同标签 cv2.DIST_LABEL_PIXEL 每个像素(以及它最近所有非像素)都有自己标签。

    61910

    如何快速get到AI工程师面试重点,这12道题必备!

    因此,非均值时它是如何影响模型训练呢: 第一,需要理解是非均值是指数据未分布在0附近,相反大多数数据具有大于或小于。结合高方差问题,数据可能变得非常大或非常小。 这两个概念间关联如下图所示: ? 在上图中,圆心是一个可以完美预测模型。实际上,这只是理想状态。随着模型预测分布圆心越来越远,预测结果越差。 这个问题与深度学习算法在实践中应用有关,这个问题关键是对数据进行索引方法。这是将One Shot Learning用于面部识别问题最后一,但这是将应用程序部署在实践中最重要。 在接下来部分中将进一讨论诸如Sigmoid,Fishy或ReLU等激活函数 但是,我们需要了解,这些非线性函数性质使神经网络可能学习比仅使用线性函数更复杂函数表示形式。 导致整个模型中数据流相同,这种现象是协方差shifting。第二个问题是在反向时,饱和区间导数为,因此网络几乎学不到任何东西。这就是为什么我们需要把范围设置在均值原因。

    31300

    四舍五入番外一:基数取整

    除了指定位数取整以外 还有给定基数取整函数 也就是取这个基数倍数,最接近那个 向上取整是Ceiling函数 天花板意思 向下取整是Floor函数 地板意思 天花板向上,地板向下 Ceiling (数值,基数) 取大于或等于数值基数倍数 Floor(数值,基数) 取小于或等于数值基数倍数 仍然以π为例 在2倍数中,2和4最接近于π 2是小于π最接近2倍数 4是大于π最接近2 倍数 所以 向上为4,向下为2 还可以花式作死 尝试下小数,负数和 可见小数取倍数没问题 但是负数倍数就没办法是正数了 0向上取整永远是0 0向下取整,那就会出现除数为错误了 之前文章说到这个错误 传送门((((((>>>Excel中四则基本运算<<<)))))) 奇葩是,数值为负数时候 正负基数居然都是可以 什么时候会用到呢 好像我身边应用场景并不多 个人见到在制造业似乎挺多 例如 "假设胶带60米为一卷,现在有400米胶带,可以做几卷" =Floor(400,60) 这个公式可以解决你问题 "通话不足一分钟,按照一分钟计算.此次通话时长123秒,计多少分钟" =Ceiling

    10410

    线性代数--MIT18.06(十六)

    长度是最小,即此时投影是最接近于 ? ,那么我们就得到了最优解,做一下转化,也就是说 ? 是最小!这就是最小二乘。 以拟合直线例子来做一下讲解。 求 (1,1),(2,2),(3,2) 三个点拟合直线 ? 。 对于求解最佳拟合直线,我们自然是希望直线三个点距离之和是最小,这个距离实际上就是 ? 长度,也就是 ? 为了得到最小距离(误差)和,对其平方是一个防止为负选择,由此求拟合直线也就转化为求解下式最小问题 ? 对 ? 求偏导就可以得到 ? 那么从矩阵角度来看这个问题呢? 空间中只有向量。 对于 ? 等式两边同时左乘 ? , 可以得到 ? 也就是说 ? 长度为 0,同时 ? 各列线性无关,那么 ? 空间只有向量,也就是说 ? 解只有向量,那么 ? 解也就只有向量了,所以命题成立。

    30830

    IEEE Trans 2006 使用K-SVD构造超完备字典以进行稀疏表示(稀疏分解)

    当C给定时,通过计算欧式距离,每个信号都将划分为它最近代码字所在类。将yi记为yi=Cxi。其中xi=ei,选择第j个索引时,只有第j项非,其他项都为0,第j个索引选择表示如下: ? 对应,系数向量也不止一个,并且不要求一定为1,可以不同。对应式(16),稀疏表示目标函数是找到最佳字典矩阵以稀疏表示信号Y,目标函数如式(17)中所示: ? 或者可以写成式(18) ? 但是,这一很有可能会出错,因为在更新dk时候,我们没有对稀疏进行约束,则我们得到XT 会是满向量,即大多素元素都为非向量。 除了限制T0=1,我们还可以进一限制X项为1,此时问题完全变成了之前所说经典聚类问题。在这种情况下, ? 都是1,也就是 ? =1T。 当式(25)小于0.01时即为成功,其中di为我们预先生成字典中第i列,而di~为训练字典中最接近该列列。实验重复50次,计算每次实验中成功概率。

    1.8K91

    统计_z

    不同分布z具有可比性,例如N(0,1)数据1z是1,表示均值0一个标准差,另外N(100,10)数据110z也是1,表示均值100一个标准差,这样的话可以将不同分布数据,通过 例如: 抛掷一枚硬币10次(做10次独立不重复试验,即这一次实验结果不会影响下一次,independent identical),问题是出现多少次正面会认为这不是一块质地均匀硬币? 如果一件事情发生概率是极值(正面出现次数,一次考试成绩,两个数据组平均值差异),那么被认为是不可能出现结果。 ? 那么,正面次数多少判断硬币损坏故障或者伪造呢? 首先,确定群体分布情况,然后确定要检验概率范围,最后用基于样本统计量与检验量对比,判断是否是不可能事件。 确立了假设,然后努力检验出假设中可能包含错误。 换句话说,如果检验z是极值,那么该事件发生并不是原有假设随机因素结果,而是确确实实与某种关系或者某种处理方式有关。

    1.1K10

    python 将图像转换为乐高积木风格图片(下)

    下面再看看生成件清单。 件清单 ---- ? ? ? ? ---- 实现过程 ---- 最难其实就是颜色对比,实际图片像素颜色种类是非常多,理论上可以256*256*256种,而乐高图片只有50多种,如何让每种像素都匹配到对应图片呢。 ? 方法就是找到最接近,比如在一个列表里如何找到最接近呢? ? ? 将目标数与其列表中每一个数相减,并对差值取绝对,最后在绝对中找最小数。 ---- 单个数原理明白了,颜色 RGB 就容易理解了,RGB是一个列表,相当于要在一个嵌套列表里面找到最近接列表。 ? ? generate_lego_img.py 模块 生成乐高图片,以及件清单 ---- 导入模块和读取数据 ? 文件内容: ? 2.找到最接近颜色 ? 3.

    60740

    大学生毕业找工作,该选择哪个方向?

    但业务开发,比如做电商,如果离职跑去做教育,那需要从开始重新理解业务。 行业上很多大佬都是做基架出身。 业务开发上班时间搞本操作系统来看,还看什么内核源码,那多少有些"不务正业","天天摸鱼"感觉,但如果是基架开发,整这个就非常合情合理了。 安全方向 这里面最特别的就是做信息安全,就是是最接近电影里黑客方向,就业方向对口是安全行业,学东西也跟其他方向不太一样,这里面有着比较大gap。 我至今不知道他们平时工作内容是什么,但是经常能看到一个认识老哥在网上找各种网站漏洞然后提交官方后获得多少w刀一个奖励。反正羡慕死我了。 如果大家对研究通用化技术特别感兴趣,并且自身硬实力也较强,可以考虑做基础架构相关工作,这块学到东西更通用化。但是这块个缺点,一般情况下,做基架会业务远一点。

    12430

    关注

    腾讯云开发者公众号
    10元无门槛代金券
    洞察腾讯核心技术
    剖析业界实践案例
    腾讯云开发者公众号二维码

    相关产品

    • 人脸试妆

      人脸试妆

      腾讯云神图·人脸试妆基于腾讯优图领先的人脸识别算法,提供包括试唇色、测肤质、试妆容等多种功能,只需上传图片即可在线试妆,为开发者和企业提供高可用的人脸试妆服务......

    相关资讯

    热门标签

    活动推荐

    扫码关注腾讯云开发者

    领取腾讯云代金券