java机器学习计算指标动态阈值

news2025/2/22 12:54:46

 

java机器学习计算指标动态阈值

最近听到有的人说要做机器学习就一定要学Python，我想他们掌握的知道还不够系统全面。本文作者以动态阈值需求场景给大家介绍几种常用Java实现的机器学习库，包括使用开源库如Weka或Deeplearning4j（DL4J）。

需求：计算指标动态阈值

以动态阈值需求场景给大家介绍几种常用Java实现的机器学习库

方法1：使用Weka库

Weka是一个流行的机器学习库，支持多种算法，包括决策树、SVM、神经网络等。你可以使用Weka来实现一个简单的动态阈值调整系统。

步骤1：添加Weka库

首先，确保你的项目中包含了Weka库。你可以通过Maven或Gradle来添加依赖：

<!-- Maven -->
<dependency>
    <groupId>nz.ac.waikato.cms.weka</groupId>
    <artifactId>weka-stable</artifactId>
    <version>3.8.5</version>
</dependency>
// Gradle
dependencies {
    implementation 'nz.ac.waikato.cms.weka:weka-stable:3.8.5'
}

步骤2：编写代码实现动态阈值

下面是一个使用决策树进行分类，并根据性能动态调整阈值的简单示例：

import weka.classifiers.trees.J48;
import weka.core.Instances;
import weka.core.converters.ConverterUtils.DataSource;
 
public class DynamicThreshold {
    public static void main(String[] args) throws Exception {
        // 加载数据集
        DataSource source = new DataSource("path_to_your_dataset.arff");
        Instances data = source.getDataSet();
        data.setClassIndex(data.numAttributes() - 1); // 假设最后一列是目标变量
 
        // 初始化分类器
        J48 tree = new J48();
        tree.setOptions(new String[]{"-C", "0.25", "-M", "2"}); // 设置其他参数，例如剪枝和最小样本数
 
        // 训练模型并测试性能（此处仅为示例，实际应用中应更详细地处理性能评估）
        tree.buildClassifier(data);
        double accuracy = evaluateModel(tree, data);
        System.out.println("Initial Accuracy: " + accuracy);
 
        // 动态调整阈值（这里仅为示例，实际应用中可能需要更复杂的逻辑）
        for (int i = 0; i < 5; i++) { // 假设调整5次阈值
            double newThreshold = Math.max(0, accuracy - 0.05); // 降低阈值，例如降低5%的准确率要求
            tree.setConfidenceFactor((float) newThreshold); // 更新阈值（此处仅为示例，实际方法依赖于具体算法）
            accuracy = evaluateModel(tree, data); // 重新评估模型性能
            System.out.println("New Threshold Accuracy: " + accuracy);
        }
    }
 
    private static double evaluateModel(J48 tree, Instances data) throws Exception {
        double correct = 0;
        for (int i = 0; i < data.numInstances(); i++) {
            double predicted = tree.classifyInstance(data.instance(i));
            if (predicted == data.instance(i).classValue()) {
                correct++;
            }
        }
        return correct / data.numInstances();
    }
}

方法2: 使用Deeplearning4j（DL4J）

使用Deeplearning4j（DL4J）进行神经网络训练与动态阈值调整（适用于更复杂场景）

在使用Deeplearning4j进行深度学习时，动态阈值通常用于激活函数，特别是在二分类问题中。动态阈值可以根据输入数据的特征动态调整，以更好地适应数据分布的变化。下面将介绍几种在Deeplearning4j中实现动态阈值的方法：

1、pom依赖

<dependencies>
    <dependency>
        <groupId>org.deeplearning4j</groupId>
        <artifactId>deeplearning4j-core</artifactId>
        <version>1.0.0-beta7</version>
    </dependency>
    <dependency>
        <groupId>org.nd4j</groupId>
        <artifactId>nd4j-native-platform</artifactId>
        <version>1.0.0-beta7</version>
    </dependency>
</dependencies>

2. 使用自定义层（Custom Layer）

你可以通过扩展BaseLayer类来创建一个自定义层，其中包含动态调整阈值的逻辑。例如，可以创建一个激活函数层，该层根据当前输入或学习到的参数动态调整阈值

import org.deeplearning4j.nn.api.Layer;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.conf.layers.BaseLayer;
import org.deeplearning4j.nn.weights.WeightInit;
import org.nd4j.linalg.api.ndarray.INDArray;
import org.nd4j.linalg.factory.Nd4j;
import org.nd4j.linalg.lossfunctions.ILossFunction;
 
public class DynamicThresholdLayer extends BaseLayer<DynamicThresholdLayer, DynamicThresholdLayer> {
    private double threshold;
 
    public DynamicThresholdLayer(NeuralNetConfiguration conf) {
        super(conf);
        this.threshold = 0.5; // 初始阈值
    }
 
    @Override
    public Type getOutputType() {
        return Type.ACTIVATION;
    }
 
    @Override
    public boolean isPretrainLayer() {
        return false;
    }
 
    @Override
    public boolean isOutplace() {
        return false;
    }
 
    @Override
    public INDArray activate(INDArray x, boolean training) {
        // 动态调整阈值逻辑（这里可以加入更多复杂的逻辑）
        if (training) {
            this.threshold = 0.5 + 0.1 * Nd4j.getNoise(x.shape()).meanNumber().doubleValue(); // 示例：根据噪声调整阈值
        }
        return x.gt(threshold); // 应用阈值操作
    }
 
    @Override
    public void computeGradientAndScore(INDArray exampleFeatures, int exampleLabel, INDArray gradient) {
        // 实现梯度计算逻辑（如果需要）
    }
}

3. 使用回调（Callbacks）或监听器（Listeners）调整参数

你可以在训练过程中使用回调或监听器来调整阈值。例如，你可以在每个epoch结束时根据验证集的性能来调整阈值。

import org.deeplearning4j.optimize.listeners.ScoreIterationListener;
import org.deeplearning4j.optimize.api.TrainingListener;
import org.deeplearning4j.optimize.listeners.EvaluativeListener;
import org.deeplearning4j.optimize.listeners.EvaluativeListenerHelper;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.nd4j.linalg.dataset.api.preprocessor.NormalizerVertex;
import org.nd4j.linalg.lossfunctions.LossFunctions;
import org.nd4j.linalg.lossfunctions.impl.*;
import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.nn.conf.*;
import org.deeplearning4j.nn.conf.layers.*;
import org.deeplearning4j.eval.*;
import org.deeplearning4j.optimize.*;
import org.deeplearning4j.*;
import org.nd4j.*;
import org.nd4j.*;
import org.nd4j.*;
import org.nd4j.*;
import org.nd4j.*;
import org.nd4j.*;
import org.*; // 注意：此处仅为示例，实际使用时请适当导入所需类并清理导入语句。

在回调中，你可以这样设置：

MultiLayerNetwork model = new MultiLayerNetwork(new NeuralNetConfiguration...); 
// 配置你的网络结构... 省略配置细节以保持简洁。 确保你的网络已经配置好了。
// 例如: 添加一个自定义层。 
// 例如: model = new MultiLayerNetwork(new NeuralNetConfiguration...); 添加一个自定义层。
// 例如: model = new MultiLayerNetwork(new NeuralNetConfiguration...); 添加一个自定义层。
// 例如: model =

4、创建和训练模型

2和3合在一起写，我们创建一个简单的神经网络模型并训练它

import org.deeplearning4j.nn.multilayer.MultiLayerNetwork;
import org.deeplearning4j.nn.conf.MultiLayerConfiguration;
import org.deeplearning4j.nn.conf.NeuralNetConfiguration;
import org.deeplearning4j.nn.conf.layers.DenseLayer;
import org.deeplearning4j.nn.conf.layers.OutputLayer;
import org.deeplearning4j.nn.weights.WeightInit;
import org.nd4j.linalg.activations.Activation;
import org.nd4j.linalg.learning.config.Adam;
import org.nd4j.linalg.lossfunctions.LossFunctions;
import org.deeplearning4j.nn.conf.*;
import org.deeplearning4j.optimize.listeners.ScoreIterationListener;
import org.deeplearning4j.ui.api.UIServer;
import org.deeplearning4j.ui.stats.StatsListener;
import org.deeplearning4j.ui.storage.InMemoryStatsStorage;
import org.nd4j.linalg.dataset.DataSet;
import org.nd4j.linalg.dataset.api.iterator.DataSetIterator;
import org.nd4j.linalg.dataset.SplitTestAndTrain;
import org.nd4j.linalg.factory.Nd4j;
import org.nd4j.linalg.api.ndarray.INDArray;
import org.deeplearning4j.eval.ROC;
import java.util.*;
 
public class DynamicThresholdExample {
    public static void main(String[] args) {
        // 创建配置对象
        MultiLayerConfiguration conf = new NeuralNetConfiguration.Builder()
            .seed(12345)
            .updater(new Adam(0.01))
            // 添加隐藏层和输出层配置
            .list()
            // 第一个隐藏层配置
            .layer(new DenseLayer.Builder().nIn(2).nOut(5)
                   .activation(Activation.RELU)
                   .weightInit(WeightInit.XAVIER)
                   .build())
            // 输出层配置（二分类）
            .layer(new OutputLayer.Builder(LossFunctions.LossFunction.XENT)
                   .activation(Activation.SIGMOID) // Sigmoid激活函数适用于二分类问题输出层
                   .nOut(1) // 输出层神经元数量，对于二分类为1
                   .build())
            // 构建多层配置对象
             .build();
        MultiLayerNetwork model = new MultiLayerNetwork(conf);
        model.init(); // 初始化模型参数
        model.setListeners(new ScoreIterationListener(100)); // 每100次迭代打印一次分数（可选）
        UIServer uiServer = UIServer.getInstance(); // 获取UI服务器实例（可选）
        StatsStorage statsStorage = new InMemoryStatsStorage(); // 使用内存存储统计信息（可选）
        uiServer.attach(statsStorage); //

方法3:使用DJL

使用Deep Java Library计算动态指标阈值示例代码

Deep Java Library (DJL) 是一个由 Amazon Web Services 开发的深度学习库，它提供了在 Java 环境中使用各种深度学习框架的能力，如 PyTorch 和 TensorFlow。如果你想使用 DJL 来计算动态指标阈值，你可以通过构建一个模型来进行预测，并根据这些预测来调整阈值。

以下是一个使用 DJL 在 Java 中计算动态指标阈值的示例步骤和代码。我们将通过以下步骤来实现：

  1. 环境设置：确保你的项目中已经添加了 DJL 依赖。

  2. 加载模型：加载一个已经训练好的模型。

  3. 实时数据输入：将实时数据输入到模型中以获取预测。

  4. 计算阈值：根据模型的输出动态调整阈值。

步骤 1: 添加 DJL 依赖

首先，确保你的项目中包含了 DJL 的依赖。如果你使用 Maven，可以在 pom.xml 中添加如下依赖：

<dependencies>
    <dependency>
        <groupId>ai.djl</groupId>
        <artifactId>api</artifactId>
        <version>0.15.0</version>
    </dependency>
    <dependency>
        <groupId>ai.djl.pytorch</groupId>
        <artifactId>pytorch-engine</artifactId>
        <version>0.15.0</version>
    </dependency>
    <dependency>
        <groupId>ai.djl.pytorch</groupId>
        <artifactId>pytorch-native-auto</artifactId>
        <version>0.15.0</version>
    </dependency>
</dependencies>

步骤 2: 加载模型

假设你已经有了一个训练好的模型，你可以这样加载它：

import ai.djl.MalformedModelException;
import ai.djl.inference.Predictor;
import ai.djl.modality.cv.Image;
import ai.djl.modality.cv.ImageFactory;
import ai.djl.modality.cv.output.DetectedObjects;
import ai.djl.modality.cv.translator.ImageClassificationTranslator;
import ai.djl.repository.zoo.Criteria;
import ai.djl.repository.zoo.ModelZoo;
import ai.djl.repository.zoo.ZooModel;
import ai.djl.training.EasyTrain;
import ai.djl.translate.TranslateException;
import ai.djl.translate.Translator;
import ai.djl.translate.TranslatorContext;
import ai.djl.ndarray.*;
import ai.djl.ndarray.types.*;
import ai.djl.training.*;
import ai.djl.training.loss.*;
import ai.djl.training.util.*;
import ai.djl.Device;
import ai.djl.*;
import ai.djl.*;
import java.io.*;
import java.nio.*;
import java.nio.*;
import java.util.*;
import java.util.*;
import java.*;

步骤 3: 实时数据输入与预测

public class DynamicThresholdExample {
    public static void main(String[] args) throws IOException, MalformedModelException, TranslateException {
        // 加载模型
        Criteria<Image, DetectedObjects> criteria = Criteria.builder()
                                                             .optApplication(ImageClassificationCriteria.IMAGE_CLASSIFICATION) // 根据你的模型类型调整这个选项，例如这里是图像分类的例子。如果是对象检测，使用ObjectDetectionCriteria等。
                                                             .setTypes(Image.class, DetectedObjects.class) // 设置输入输出类型。根据你的模型进行调整。例如图像分类是Image和DetectedObjects。如果是回归或其他任务，请相应调整。
                                                             .optFilter("ai-zoo", "image*") // 选择模型过滤器，例如 "image*" 表示选择所有图像分类模型。根据需要选择合适的过滤器。
                                                             .build(); // 构建模型选择条件。根据你的模型类型和需求进行调整。例如，如果是回归问题，可能需要使用RegressionCriteria等。
        ZooModel<Image, DetectedObjects> model = ModelZoo.loadModel(criteria); // 加载模型。根据你的模型类型和需求进行调整。例如，如果是回归问题，可能需要加载回归模型等。
        model = model.newEngine(); // 在默认设备上创建模型的实例。根据你的设备需求进行调整（例如CPU或GPU）。例如：model = model.newEngine(Device.gpu()); 如果使用GPU。
        Predictor<Image

附件一：机器学习库官方网址

Deeplearning4j

Weka

DJL

 

 附件二：面向机器学习的Java库与平台简介、适用场景、官方网站、社区网址面向机器学习的Java库与平台简介、适用场景、官方网站、社区网址-CSDN博客

 

附件三：常见的机器学习库简介、优点缺点、官方网站、社区网址

常见的机器学习库简介、优点缺点、官方网站、社区网址-CSDN博客

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2301188.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

Note25021902_TIA Portal V18 WinCC BCA Ed 需要.NET 3.5 SP1

Note25021902_TIA Portal V18 WinCC BCA Ed 需要.NET 3.5 SP1

TIA Portal V18 WinCC BCA Ed 需要.NET 3.5 SP1 在安装TIA Portal V18时&#xff0c;遇到TIA Portal V18 WinCC BCA Ed 需要.NET 3.5 SP1. 请在此PC上中启用.NET 3.5 SP1&#xff1b; 检索&#xff1a; 电脑上如何启用 .NET 3.5 SP1 参考资料1&#xff1a; https://baijiahao.…
阅读更多...
CHARMM-GUI EnzyDocker: 一个基于网络的用于酶中多个反应状态的蛋白质 - 配体对接的计算平台

CHARMM-GUI EnzyDocker: 一个基于网络的用于酶中多个反应状态的蛋白质 - 配体对接的计算平台

❝ "CHARMM-GUI EnzyDocker for Protein−Ligand Docking of Multiple Reactive States along a Reaction Coordinate in Enzymes"介绍了 CHARMM-GUI EnzyDocker&#xff0c;这是一个基于网络的计算平台&#xff0c;旨在简化和加速 EnzyDock 对接模拟的设置过程&…
阅读更多...
阅读论文笔记《Translating Embeddings for Modeling Multi-relational Data》

阅读论文笔记《Translating Embeddings for Modeling Multi-relational Data》

目录 一、模型核心原理剖析二、实验设计与数据集选择三、实验结果深度解读&#xff08;一&#xff09;链接预测实验&#xff08;二&#xff09;关系分类实验&#xff08;三&#xff09;链接预测示例&#xff08;四&#xff09;泛化实验 四、模型优缺点总结&#xff08;一&#…
阅读更多...
​实在智能与宇树科技、云深科技一同获评浙江省“人工智能服务商”、 “数智优品”​等荣誉

​实在智能与宇树科技、云深科技一同获评浙江省“人工智能服务商”、 “数智优品”​等荣誉

近日&#xff0c;浙江省经信厅正式公布《2024 年浙江省人工智能应用场景、应用标杆企业、人工智能服务商及 “数智优品” 名单》。 实在智能获评浙江省“人工智能服务商”&#xff0c;核心产品 “实在 Agent 智能体” 入选 “数智优品”。一同获此殊荣的还有宇树科技、云深处科…
阅读更多...
跳表（Skip List）详解

跳表（Skip List）详解

一、什么是跳表&#xff1f; 跳表是一种基于有序链表的高效数据结构&#xff0c;通过建立多级索引实现快速查询。它在平均情况下支持O(log n)时间复杂度的搜索、插入和删除操作&#xff0c;性能接近平衡树&#xff0c;但实现更为简单。 二、核心原理 1. 层级结构 底层为完整…
阅读更多...
轻松搭建本地大语言模型（一）Ollama安装与使用

轻松搭建本地大语言模型（一）Ollama安装与使用

Ollama 是一款开源的本地大语言模型运行框架&#xff0c;支持在 Windows、macOS 和 Linux 系统上运行&#xff0c;能够帮助用户轻松下载和使用各种大语言模型&#xff08;例如deepseek、llama、qwen&#xff09;。本文将详细介绍 Ollama 的安装步骤&#xff0c;帮助你快速搭建本…
阅读更多...
kafka消费能力压测：使用官方工具

kafka消费能力压测：使用官方工具

背景 在之前的业务场景中&#xff0c;我们发现Kafka的实际消费能力远低于预期。尽管我们使用了kafka-go组件并进行了相关测试&#xff0c;测试情况见《kafka-go:性能测试》这篇文章。但并未能准确找出消费能力低下的原因。 我们曾怀疑这可能是由我的电脑网络带宽问题或Kafka部…
阅读更多...
[STM32 - 野火] - - - 固件库学习笔记 - - - 十六.在SRAM中调试代码

[STM32 - 野火] - - - 固件库学习笔记 - - - 十六.在SRAM中调试代码

一、简介 在RAM中调试代码是一种常见的嵌入式开发技术&#xff0c;尤其适用于STM32等微控制器。它的核心思想是将程序代码和数据加载到微控制器的内部RAM&#xff08;SRAM&#xff09;中运行&#xff0c;而不是运行在Flash存储器中。这种方法在开发过程中具有显著的优势&#…
阅读更多...
雷军推荐：WPS 与 Pastemate 联用，效率飞升新高度

雷军推荐：WPS 与 Pastemate 联用，效率飞升新高度

在当今快节奏的工作与学习环境中&#xff0c;效率提升成为了每个人都在追求的目标。而雷军&#xff0c;这位科技界的领军人物&#xff0c;凭借其敏锐的洞察力&#xff0c;为我们推荐了一组强大的工具组合 ——WPS 与 Pastemate&#xff0c;它们携手合作&#xff0c;能够为我们的…
阅读更多...
轴承故障特征—SHAP 模型 3D 可视化

轴承故障特征—SHAP 模型 3D 可视化

往期精彩内容&#xff1a; Python-凯斯西储大学&#xff08;CWRU&#xff09;轴承数据解读与分类处理 基于FFT CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客 基于FFT CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客 P…
阅读更多...
斐波那契数列模型：在动态规划的丝绸之路上追寻斐波那契的足迹（上）

斐波那契数列模型：在动态规划的丝绸之路上追寻斐波那契的足迹（上）

文章目录 引言递归与动态规划的对比递归解法的初探动态规划的优雅与高效自顶向下的记忆化搜索自底向上的迭代法 性能分析与比较小结 引言 斐波那契数列&#xff0c;这一数列如同一条无形的丝线&#xff0c;穿越千年时光&#xff0c;悄然延续其魅力。其定义简单而优美&#xff…
阅读更多...
智能选路＋NAT实验

智能选路＋NAT实验

1.实验拓扑&#xff1a; 二.实验配置 1、防火墙ip配置和信任区域配置&#xff1a; 2.导入地址库&#xff1a;先下载模板--->进入模板修改地址信息--->导入地址&#xff1a; 3配置链路接口&#xff1a; 4.配置真实DNS服务器信息 5.创建虚拟服务&#xff0c;虚拟DNS服务…
阅读更多...
电商API接口数据与市场趋势分析的深度融合

电商API接口数据与市场趋势分析的深度融合

一、电商API接口数据的价值 电商API接口是连接电商平台与外部系统&#xff08;如数据分析工具、ERP系统等&#xff09;的桥梁。通过API接口&#xff0c;企业可以获取海量的交易数据、用户行为数据、商品信息等。这些数据具有以下价值&#xff1a; 数据实时性&#xff1a;API接…
阅读更多...
SMOJ 种植玉米/铺地砖 题解

SMOJ 种植玉米/铺地砖 题解

最近练了轮廓线dp的题目 1.种植玉米 题意 农夫有一个被划分成 m m m行 n n n列的农田。 每个格子的数字如果是 1 1 1则表示该格子的土地是肥沃的&#xff0c;可以种植玉米&#xff1b;如果该格子的数字是 0 0 0则表示该格子不能种植玉米。 但是还有一个条件&#xff1a;不…
阅读更多...
沃丰科技大模型标杆案例 ｜ 索尼大模型智能营销机器人建设实践

沃丰科技大模型标杆案例 ｜ 索尼大模型智能营销机器人建设实践

AI大模型发展日新月异&#xff0c;国内外主流大模型每月必会升级。海外AI大模型市场由美国主导&#xff0c; 各模型已形成“多强竞合”的局面。中国积极响应全球大模型技术的发展趋势&#xff0c;高校、研究院所等科研机构、互联网企业&#xff0c;人工智能企业均不同程度地投入…
阅读更多...
【Java项目】基于SpringBoot的【休闲娱乐代理售票系统】

【Java项目】基于SpringBoot的【休闲娱乐代理售票系统】

【Java项目】基于SpringBoot的【休闲娱乐代理售票系统】 技术简介&#xff1a;系统软件架构选择B/S模式、SpringBoot框架、java技术和MySQL数据库等&#xff0c;总体功能模块运用自顶向下的分层思想。 系统简介&#xff1a;休闲娱乐代理售票系统&#xff0c;在系统首页可以查看…
阅读更多...
EasyRTC：开启智能硬件与全平台互动新时代

EasyRTC：开启智能硬件与全平台互动新时代

在当今数字化时代&#xff0c;实时音视频互动已成为企业与用户沟通、协作和娱乐的关键技术。无论是在线教育、视频会议、远程医疗还是互动直播&#xff0c;流畅、高效的互动体验都是成功的关键。然而&#xff0c;实现跨平台、低延迟且功能丰富的音视频互动并非易事——直到 Eas…
阅读更多...
禁止WPS强制打开PDF文件

禁止WPS强制打开PDF文件

原文网址&#xff1a;禁止WPS强制打开PDF文件_IT利刃出鞘的博客-CSDN博客 简介 本文介绍如何避免WPS强制打开PDF文件。 方法 1.删除注册表里.pdf的WPS绑定 WinR&#xff0c;输入&#xff1a;regedit&#xff0c;回车。找到&#xff1a;HKEY_CLASSES_ROOT\.pdf删除KWPS.PDF…
阅读更多...
DeepSeek 云原生分布式部署的深度实践与疑难解析—— 从零到生产级落地的全链路避坑指南

DeepSeek 云原生分布式部署的深度实践与疑难解析—— 从零到生产级落地的全链路避坑指南

一、云原生环境下的部署架构设计 1.1 典型架构拓扑 关键点&#xff1a;Master 节点需保证强一致性&#xff0c;Worker 节点需支持异构硬件调度。 1.2 配置模板陷阱 问题现象&#xff1a; 直接使用官方 Helm Chart 部署后出现 Pod 频繁重启 日志报错 ResourceQuota exceeded…
阅读更多...
【笑着写算法系列】位运算

【笑着写算法系列】位运算

前言 位运算可以说是一个算法里面比较神奇的算法&#xff0c;利用这个算法可以用极少的资源来完成一些运算&#xff0c;主要得力于位运算的一些特殊的性质。 在进行题目练习之前我们先了解一下有关位运算的一些主要作用: 确定一个数n的第x位二进制位是0还是1,我们可以使用(&a…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023