会员服务
C++20 · Principle · BASIC · 样例 · 设计 ·
2018 年 2 月 21 日
Moore: Interval Arithmetic in C++20
翻译：摩尔: C++20 中的对数自修
Walter F. Mascarenhas
Walter F. Mascarenhas
from arxiv, arXiv admin note: text overlap with arXiv:1611.09567"

This article presents the Moore library for interval arithmetic in C++20. It gives examples of how the library can be used, and explains the basic principles underlying its design.


翻译：本篇文章在 C++20 中介绍摩尔图书馆的间距算术。 它举例说明如何使用该图书馆,并解释其设计的基本原则。
0
下载
关闭预览

相关内容

《可解释的机器学习-interpretable-ml》238页pdf
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
202+阅读 · 2020年2月24日
【变分推断课件】Lectures on Variational Inference： Approximate Bayesian Inference in Machine Learning（附带pdf）
【变分推断课件】Lectures on Variational Inference： Approximate Bayesian Inference in Machine Learning（附带pdf）
专知会员服务
33+阅读 · 2019年11月30日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
29+阅读 · 2019年10月30日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书：PyTorch深度学习起步
开源书：PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
81+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议截稿信息9条
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
人工智能 | 国际会议/SCI期刊约稿信息9条
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Learning Discrete Structures for Graph Neural Networks
Arxiv
6+阅读 · 2019年5月17日
Deep learning for time series classification: a review
Arxiv
12+阅读 · 2019年3月14日
Generalization and Regularization in DQN
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
Interpretable machine learning: definitions, methods, and applications
Interpretable machine learning: definitions, methods, and applications
Arxiv
19+阅读 · 2019年1月14日
Neural Arithmetic Logic Units
Neural Arithmetic Logic Units
Arxiv
5+阅读 · 2018年8月1日
A Tour of Reinforcement Learning: The View from Continuous Control
Arxiv
6+阅读 · 2018年6月25日
Sentiment Analysis of Comments on Rohingya Movement with Support Vector Machine
Arxiv
9+阅读 · 2018年3月22日
A guide to convolution arithmetic for deep learning
Arxiv
6+阅读 · 2018年1月11日
Distributed Constraint Optimization Problems and Applications: A Survey
Arxiv
5+阅读 · 2018年1月11日
Inference Suboptimality in Variational Autoencoders
Arxiv
3+阅读 · 2018年1月10日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
C++20
Principle
BASIC
样例
设计
相关VIP内容
《可解释的机器学习-interpretable-ml》238页pdf
《可解释的机器学习-interpretable-ml》238页pdf
专知会员服务
202+阅读 · 2020年2月24日
【变分推断课件】Lectures on Variational Inference： Approximate Bayesian Inference in Machine Learning（附带pdf）
【变分推断课件】Lectures on Variational Inference： Approximate Bayesian Inference in Machine Learning（附带pdf）
专知会员服务
33+阅读 · 2019年11月30日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
29+阅读 · 2019年10月30日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书：PyTorch深度学习起步
开源书：PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程，17页pdf
强化学习最新教程，17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
【人工智能在2019：一年回顾】反人工智能，AI in 2019: A Year in Review
专知会员服务
79+阅读 · 2019年10月10日
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
【CMU卡内基梅隆大学】深度学习在计算机视觉的应用：方法，解释，因果与公平性
专知会员服务
81+阅读 · 2019年10月9日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年：MAML SNAIL
meta learning 17年：MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
人工智能 | 国际会议截稿信息9条
人工智能 | 国际会议截稿信息9条
Call4Papers
4+阅读 · 2018年3月13日
人工智能 | 国际会议/SCI期刊约稿信息9条
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Learning Discrete Structures for Graph Neural Networks
Arxiv
6+阅读 · 2019年5月17日
Deep learning for time series classification: a review
Arxiv
12+阅读 · 2019年3月14日
Generalization and Regularization in DQN
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
Interpretable machine learning: definitions, methods, and applications
Interpretable machine learning: definitions, methods, and applications
Arxiv
19+阅读 · 2019年1月14日
Neural Arithmetic Logic Units
Neural Arithmetic Logic Units
Arxiv
5+阅读 · 2018年8月1日
A Tour of Reinforcement Learning: The View from Continuous Control
Arxiv
6+阅读 · 2018年6月25日
Sentiment Analysis of Comments on Rohingya Movement with Support Vector Machine
Arxiv
9+阅读 · 2018年3月22日
A guide to convolution arithmetic for deep learning
Arxiv
6+阅读 · 2018年1月11日
Distributed Constraint Optimization Problems and Applications: A Survey
Arxiv
5+阅读 · 2018年1月11日
Inference Suboptimality in Variational Autoencoders
Arxiv
3+阅读 · 2018年1月10日
Top
微信扫码咨询专知VIP会员
Top