OJ------统计每月兔子总数

本文探讨了一个经典的数学问题——兔子繁殖问题。通过递归方法和斐波那契数列的运用,详细介绍了如何计算在理想情况下每个月兔子的总数,并提供了具体的Java代码实现。

描述

有一对兔子,从出生后第3个月起每个月都生一对兔子,小兔子长到第三个月后每个月又生一对兔子,假如兔子都不死,问每个月的兔子总数为多少?

 

    /**      * 统计出兔子总数。      *       * @param monthCount 第几个月      * @return 兔子总数      */     public static int getTotalCount(int monthCount)     {         return 0;     }

 

 

知识点查找,搜索,排序
运行时间限制10M
内存限制128
输入

输入int型表示month

输出

输出兔子总数int型

样例输入9
样例输出34

递归 || 斐波拉契数列

递归实现:

import java.util.*;
public class Main{
public static void main(String[] args){
Scanner sc=new Scanner(System.in);
while(sc.hasNext()){
int month=sc.nextInt();
System.out.println(count(month));

}sc.close();
}
private static int count(int n){
int sum=0;
if(n==1||n==2){return 1;}
return count(n-1)+count(n-2);
}

    
}

斐波那契数列

(如上,又称为“比内公式”,是用 无理数表示有理数的一个范例。)
注:此时



基于Pytorch框架手动构建GCN图卷积神经网络python源码+详细注释+实验报告.zip【备注】1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。3、用途:项目具有较高的学习借鉴价值,不仅适用于小白学习入门进阶。也可作为毕设项目、课程设计、大作业、初期项目立项演示等。4、如果基础还行,或热爱钻研,亦可在此项目代码基础上进行修改添加,实现其他不同功能。欢迎下载!欢迎交流学习!不清楚的可以私信问我!基于Pytorch框架手动构建GCN图卷积神经网络python源码+详细注释+实验报告.zip实验要求使用 pytorch 或者 tensorflow 的相关神经网络库,编写图卷积神经网络模型 (GCN),并在相应的图结构数据集上完成节点分类和链路预测任务,最后分析自环、层数、DropEdge 、PairNorm 、激活函数等因素对模型的分类和预测性能的影响 。实验步骤1. 网络框架:要求选择 pytorch 或 tensorflow 其中之一,依据官方网站的指引安装包。(如果前面实验已经安装过,则这个可以跳过)2. 数据集:本次实验使用的数据包含两个常用的图结构数据集:Cora 、Citeseer 。下面分别进行介绍。数据预处理:你需要通过pytorch或tensorflow所提供的标准数据接口,将原始数据处理为方便模型训练脚本所使用的数据结构,如torch.utils.data.Dataset/或者使用dgl库进行数据的处理等。由于这两个数据集是非常常见的公开数据集,你可以参考一些公开代码片段模型搭建:搭建GCN模型,这一步可以参考网络上公开的源码,但不能直接使用封装过的库(即不得使用已经封装好的GCN进行构建,请自行实现GCN网络的搭建,如GraphConv需要自己手动实现,不得使用已经封装好的)。提示:不能直接调用PyG等图网络库,因为本实验的主要目的就是希望大家通过编码熟悉图网络的结构和实现细节。但是允许并鼓励大家多去看看这些库以及其他公开实现的源码,直接改进自己代码是可以的5. 模型训练:将生成的训练集输入搭建好的模型进行前向的 loss 计算和反向的梯度传播,从而训练模型,同时也建议使用网络框架封装的 optimizer 完成参数更新过程。训练过程中记录模型在训练集和验证集上的损失,并绘图可视化。6. 节点分类:在两个数据集上按照节点分类任务的需求自行划分训练集、验证集、测试集,并用搭建好的GCN模型进行节点分类。7. 链路预测:在两个数据集上按照链路预测任务的需求自行划分训练集、验证集、测试集,并用搭建好的GCN模型进行链路预测。8. 调参分析:将训练好的模型在验证集上进行测试,以 Top 1 Accuracy(ACC) 作为节点分类指标,AUC(Area Under the Curve)作为链路预测任务的指标。然后,对自环、层数、DropEdge 、PairNorm 、激活函数进行调整,再重新训练、测试,并分析对模型性能的影响。9. 测试性能:选择你认为最合适的(例如,在验证集上表现最好的)一组超参数,重新训练模型,并在测试集上测试(注意,这理应是你的实验中唯一一次在测试集上的测试),并记录测试的结果(节点分类:Top1 ACC, 链路预测:AUC)
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