原码、反码、补码知识详细讲解(超细致,建议收藏)(3)

简介: 原码、反码、补码知识详细讲解(超细致,建议收藏)(3)

同余的概念

两个整数a,b,若它们除以整数m所得的余数相等,则称a,b对于模m同余


记作 a ≡ b (mod m)


读作 a 与 b 关于模 m 同余。


举例说明:


4 mod 12 = 4


16 mod 12 = 4


28 mod 12 = 4


所以4, 16, 28关于模 12 同余.


负数取模

正数进行mod运算是很简单的. 但是负数呢?


下面是关于mod运算的数学定义:


微信图片_20220116145353.jpg


上面是截图, "取下界"符号找不到如何输入(word中粘贴过来后乱码). 下面是使用"L"和"J"替换上图的"取下界"符号:


x mod y = x - y L x / y J


上面公式的意思是:


x mod y等于 x 减去 y 乘上 x与y的商的下界.


以 -3 mod 2 举例:


-3 mod 2


= -3 - 2xL -3/2 J


= -3 - 2xL-1.5J


= -3 - 2x(-2)


= -3 + 4 = 1


所以:


(-2) mod 12 = 12-2=10


(-4) mod 12 = 12-4 = 8


(-5) mod 12 = 12 - 5 = 7


开始证明

再回到时钟的问题上:


回拨2小时 = 前拨10小时


回拨4小时 = 前拨8小时


回拨5小时= 前拨7小时


注意, 这里发现的规律!


结合上面学到的同余的概念.实际上:


(-2) mod 12 = 10


10 mod 12 = 10


-2与10是同余的.


(-4) mod 12 = 8


8 mod 12 = 8


-4与8是同余的.


距离成功越来越近了. 要实现用正数替代负数, 只需要运用同余数的两个定理:


反身性:


a ≡ a (mod m)


这个定理是很显而易见的.


线性运算定理:


如果a ≡ b (mod m),c ≡ d (mod m) 那么:


(1)a ± c ≡ b ± d (mod m)


(2)a * c ≡ b * d (mod m)


如果想看这个定理的证明, 请看:http://baike.baidu.com/view/79282.htm


所以:


7 ≡ 7 (mod 12)


(-2) ≡ 10 (mod 12)


7 -2 ≡ 7 + 10 (mod 12)


相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
300 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
314 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
869 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
252 113