一.for循环.格式:for(;;){}括号里的表达式第1个.赋初值第2个.判断条件第3个.跳出循环的条件(一般自增自减) for循环可以是1个表达式可以是2个表达式可以是3个表达式..for循环只有中间的条件表达式时反汇编跟while是一模一样的intfun1(){inta;intb;a=1;b=0;for(;a100;){b=b+a;a++;}printf("%d",b);return0;}上面for循环代码的反汇编如下图所示intfun2(){inta;intb;a=1;b=0;while(a100){b=b+a;a++;}printf("%d",b);return0;}这是while循
一.for循环.格式:for(;;){}括号里的表达式第1个.赋初值第2个.判断条件第3个.跳出循环的条件(一般自增自减) for循环可以是1个表达式可以是2个表达式可以是3个表达式..for循环只有中间的条件表达式时反汇编跟while是一模一样的intfun1(){inta;intb;a=1;b=0;for(;a100;){b=b+a;a++;}printf("%d",b);return0;}上面for循环代码的反汇编如下图所示intfun2(){inta;intb;a=1;b=0;while(a100){b=b+a;a++;}printf("%d",b);return0;}这是while循
参考资料：1.https://www.bilibili.com/video/BV1x3411s7Sy/?spm_id_from=333.788&vd_source=e66dd25b0246f28e772d75f11c80f03c算术基本定理证明 定理2-2（算术基本定理）：任何非零整数n可以表示出如下乘积形式：n=±p1e1...prer。其中，p1...pr是互不相同的素数，e1...er是正整数. 存在性（任何非零整数n可以表示出如下乘积形式：n=±p1e1...prer）证明：n=1：n是0个素数的乘积，存在性成立.n>1:假设所有小于n的正整数都可以表示成素数的乘积。对于n，分两种
参考资料：1.https://www.bilibili.com/video/BV1x3411s7Sy/?spm_id_from=333.788&vd_source=e66dd25b0246f28e772d75f11c80f03c算术基本定理证明 定理2-2（算术基本定理）：任何非零整数n可以表示出如下乘积形式：n=±p1e1...prer。其中，p1...pr是互不相同的素数，e1...er是正整数. 存在性（任何非零整数n可以表示出如下乘积形式：n=±p1e1...prer）证明：n=1：n是0个素数的乘积，存在性成立.n>1:假设所有小于n的正整数都可以表示成素数的乘积。对于n，分两种
损失函数神经网络里的标准和人脑标准相比较相差多少的定量表达。最小二乘法首先要搞明白两个概率模型是怎么比较的。有三种思路，最小二乘法、极大似然估计，交叉熵当一张图片人脑判断的结果是\(x1\)，神经网络判断的结果是\(y1\)，直接把它们相减\(\left|x_{1}-y_{1}\right|\)就是他们相差的范围。我们将多张图片都拿过来判断加起来，当最终值最小的时候，\(\min\sum_{i=1}^{n}\left|x_{i}-y_{i}\right|\)就可以认定两个模型近似。但是绝对值在定义域内不是全程可导的，所以可以求平方\(\min\sum_{i=1}^{n}\left(x_{i}-
损失函数神经网络里的标准和人脑标准相比较相差多少的定量表达。最小二乘法首先要搞明白两个概率模型是怎么比较的。有三种思路，最小二乘法、极大似然估计，交叉熵当一张图片人脑判断的结果是\(x1\)，神经网络判断的结果是\(y1\)，直接把它们相减\(\left|x_{1}-y_{1}\right|\)就是他们相差的范围。我们将多张图片都拿过来判断加起来，当最终值最小的时候，\(\min\sum_{i=1}^{n}\left|x_{i}-y_{i}\right|\)就可以认定两个模型近似。但是绝对值在定义域内不是全程可导的，所以可以求平方\(\min\sum_{i=1}^{n}\left(x_{i}-
大数乘法假设x和y是拥有n位数的大数，那么x*y的时间复杂度是多少？algorithm1最朴素的想法，是使用小学课本中教授的乘法竖式的算法。即，x的每一位都需要与y的每一位进行相乘运算，并将结果按位相加。这个时候，算法的复杂度为$O(n^2)$。对算法复杂度有所了解的同学都知道，平方级的复杂度的算法大多都是存在优化空间的。那么如何对algorithm1进行优化呢？algorithm2我们是否可以采用分而治之的思想，将x和y分成高n/2位与低n/2位，进行操作？然后递归的进行这个过程呢？基于这种想法，我们的表达式可以记为:$$x*y=x_hy_h*10^n+(x_hy_l+x_ly_h)*10^
大数乘法假设x和y是拥有n位数的大数，那么x*y的时间复杂度是多少？algorithm1最朴素的想法，是使用小学课本中教授的乘法竖式的算法。即，x的每一位都需要与y的每一位进行相乘运算，并将结果按位相加。这个时候，算法的复杂度为$O(n^2)$。对算法复杂度有所了解的同学都知道，平方级的复杂度的算法大多都是存在优化空间的。那么如何对algorithm1进行优化呢？algorithm2我们是否可以采用分而治之的思想，将x和y分成高n/2位与低n/2位，进行操作？然后递归的进行这个过程呢？基于这种想法，我们的表达式可以记为:$$x*y=x_hy_h*10^n+(x_hy_l+x_ly_h)*10^
最小二乘法、极大似然估计和交叉熵是常用的三种损失函数。最小二乘法是一种回归问题中常用的损失函数，用于衡量预测值与实际值之间的误差平方和。它常用于线性回归问题中，目标是最小化预测值与真实值之间的均方误差（MSE）。极大似然估计（MaximumLikelihoodEstimation，MLE）是一种统计学习中的方法，用于估计模型的参数。在分类问题中，MLE可以被用于估计分类模型的参数。它通过最大化对数似然函数来估计模型参数，从而使得模型预测的概率分布与真实概率分布的差距最小。交叉熵（CrossEntropy）是一种常用的分类问题中的损失函数，用于衡量模型输出概率分布与真实标签之间的差异。它在深度学
最小二乘法、极大似然估计和交叉熵是常用的三种损失函数。最小二乘法是一种回归问题中常用的损失函数，用于衡量预测值与实际值之间的误差平方和。它常用于线性回归问题中，目标是最小化预测值与真实值之间的均方误差（MSE）。极大似然估计（MaximumLikelihoodEstimation，MLE）是一种统计学习中的方法，用于估计模型的参数。在分类问题中，MLE可以被用于估计分类模型的参数。它通过最大化对数似然函数来估计模型参数，从而使得模型预测的概率分布与真实概率分布的差距最小。交叉熵（CrossEntropy）是一种常用的分类问题中的损失函数，用于衡量模型输出概率分布与真实标签之间的差异。它在深度学
