c++实现输出0-2018的包含8的数

以下是一种在C语言中输出0-2018中包含8的数的方法：

#include <stdio.h>
int main()
{
    int i;
    for (i = 0; i <= 2018; i++)
    {
        if (i % 10 == 8 || i / 10 == 8)
        {
            printf("%d\n", i);
        }
    }
    return 0;
}

上述代码使用了一个for循环从0到2018遍历所有数字，并使用if语句判断当前数字的个位或十位是否为8，如果是，则使用printf函数输出这个数字。

相关问题

c++实现 aes-128-ecb 加密

AES-128-ECB是一种对称加密算法，其中AES代表高级加密标准，128表示密钥长度为128位，ECB表示电子密码本模式。

实现AES-128-ECB加密的关键步骤如下：

1. 密钥扩展：首先，将输入的128位密钥扩展为多个轮密钥，用于加密轮数之间的轮函数操作。

2. 轮加密：将明文分组按照固定大小（128位）进行分组。然后，对每个分组进行一系列轮函数的迭代操作，包括字节替换、行移位、列混淆和轮密钥加等。

3. 最后一轮：最后一个分组进行特殊处理，不进行列混淆操作。

4. 输出密文：经过所有轮加密后，将所有分组的结果连在一起，形成最终的密文。

例如，假设明文是"Hello World!"，使用128位密钥进行加密。

首先，对密钥进行扩展，得到轮密钥。

然后，将明文按照128位进行分组，进行轮加密操作。

最后一个分组特殊处理，不进行列混淆操作。

最后，将所有分组的结果连在一起，得到最终的密文。

这样就完成了AES-128-ECB加密的过程。

需要注意的是，ECB模式存在一些安全性问题，因为相同的明文块将会生成相同的密文块，可能导致某些攻击方式的成功。因此，在实际应用中，建议使用其他加密模式，如CBC或CTR模式，来增加安全性。

c++实现lenet-5

LeNet-5是一个经典的卷积神经网络模型，由Yann LeCun等人提出。主要用于手写数字识别。

LeNet-5的架构包含了七个层：输入层，卷积层C1，池化层S2，卷积层C3，池化层S4，全连接层F5和输出层。

首先，我们需要将输入图像进行预处理，对其进行归一化处理，使像素值在0到1之间。然后将归一化后的图像作为输入层。

接下来是卷积层C1，该层使用了6个5×5大小的卷积核，每个卷积核都使用Sigmoid激活函数。C1层的输出为6个28×28的特征图。

然后是池化层S2，该层采用2×2大小的池化窗口，选取最大值作为池化结果。S2层的输出为6个14×14的特征图。

接下来是卷积层C3，该层使用16个5×5大小的卷积核，每个卷积核都使用Sigmoid激活函数。C3层的输出为16个10×10的特征图。

然后是池化层S4，该层采用2×2大小的池化窗口，选取最大值作为池化结果。S4层的输出为16个5×5的特征图。

下一步是全连接层F5，该层有120个神经元，每个神经元都与S4层的所有特征图相连。F5层采用Sigmoid激活函数。

最后是输出层，输出层有10个神经元，表示0到9的十个数字，根据输出层神经元的值进行分类。

LeNet-5的训练过程包括前向传播和反向传播。通过计算损失函数来评估模型的性能，然后使用反向传播算法更新模型的权重和偏置。

为了实现LeNet-5模型，我们需要使用深度学习框架，如TensorFlow或PyTorch，来定义和训练网络模型。通过将输入数据和标签输入到模型中，并使用优化算法进行训练，最终得到训练好的模型。

LeNet-5的设计和实现为后续的卷积神经网络模型提供了基础和指导，是深度学习领域的重要里程碑。