《C++语言程序设计》课程设计报告-分数计算器

《C++面向对象程序设计》课程设计-- 分数计算器设置

分数乘除法简便运算100题 （1）（+）×3 ×9 （2）（- ）× （3） ×（7 - ） （4） ×+ × （5）×+× （6） ×- × （7） ×6 - × 6 （8）+×+× （9） 37× （10） × 24 ×+ ×- （12）×101- ×—× （14） × 99 + ( + )×7 ×9 （16）3×25 （17） 36× （18） ( - )× （19）26× （20）32× （21） （22） (23) （24） （25） （26） （27)- ×- × （28） （29） ÷＋÷ （30）×(15×) ×× （32）25×4 （33）54×（- ) （34） (36) (38) (39) (40) (42) (43) 6.8×＋×3.2 (45) 101× (46) ＋×15 (47)8÷8 (48) ×＋× (49）（ 90＋）× （50）×+× （51）×+÷ （52）18×（+） （53）×7+×5 （54）（－）×（24－） （55）（×+）÷ （56）÷[（+）×] （57） ×＋× （58）×3 （59） （60） (32×＋17)÷ （62）（25

本压缩包是文本生成图像里的 R分数实验代码 R-precision评估指标定量工程文件，可以用来评估文本与图像的对齐性（即生成的图像是否符合文本），工程包括build_RPdata.py、config.py、encoder.py、eval_Rprecision.py、all_texts.txt。 运行时： 1.先更改参数，将文件位置改成你已经生成好的图像的位置 2.运行build_RPdata.py，生成RPdata的数据，即每个数据是一个图像+n条句子 3.运行eval_Rprecision.py，评估图像与文本的对齐度 4.还可以更改R值，继续3进行各种实验

连分式及其推广在近似分析问题上的应用 (苏)А. Н哈凡斯基(А.Н.Фованский)著 / 科学出版社 / 1962 / 平装 / 大32开 / 196页

AdaboostOnMNIST 这是使用两个不同的弱学习者从头开始实现Adaboost算法的方法：决策树分类器和梯度提升分类器。 Adaboost在MNIST上运行以告知奇数和偶数。 经过scikit Learn模型的adaboost测试，并获得了更高的分数。 最小的训练误差为％1.8，在7次迭代中进行了梯度增强。 函数调用为adaboost（X_train，Y_train，inversions_t，Classifier_type），有两种类型的分类器，“ Gradient_Boost”和“ Decision_tree”可以放入第4个输入中。 adaboost返回一个4元组（stump，stump_weights，errors，D_weights） 您可以使用predict（stumps，stump_weights，X_test）对训练集进行预测。 这将返回该X_test的标签数组

百度飞桨AI训练营任务：吃鸡排名预测挑战赛过基线分数9２+代码和最终提交文件

百度飞桨AI训练营任务：吃鸡排名预测挑战赛过基线分数9２+代码和最终提交文件

基于多元表征相结合的分数除法教学探析.docx

为了提高数字水印的鲁棒性和安全性，利用人眼对彩色图像视敏度特性的分析，提出了一种基于FRFT及HVS的自适应彩色数字水印算法。利用谱度量构造纹理掩蔽因子，并将它与图像的亮度及边缘掩蔽因子结合，构造彩色图像自适应掩蔽因子，将其作为嵌入强度，通过改变载体图像的FRFT中频系数进行水印嵌入。实验结果表明，该算法具有自适应能力强、隐蔽性好、安全性高等特点。