f指float型，c中的实数默认为double，除非后面跟着f的才指float。若把它赋给一个float型变量则会有精度损失的编译警告提示，0.5f的意思是告诉编译器将这个0.5按float型处理。这里的0.5f和0.5F没有区别。例如0xa5、0Xa5、0xA5、0XA5完全相同。
扩展资料：
单精度浮点型（float ）专指占用32位存储空间的单精度（single-precision ）值。单精度在一些处理器上比双精度更快而且只占用双精度一半的空间，但是当值很大或很小的时候，它将变得不精确。当你需要小数部分并且对精度的要求不高时，单精度浮点型的变量是有用的。
双精度型，正如它的关键字“double ”表示的，占用64位的存储空间。在一些现代的被优化用来进行高速数学计算的处理器上双精度型实际上比单精度的快。所有超出人类经验的数学函数，如sin( )，cos( ) ，tan()和sqrt( )均返回双精度的值。
温馨提示：答案为网友推荐，仅供参考
第1个回答 2021-03-30
这里f指float型。c中的实数默认为double，除非后面跟着f的才指float至于大小写问题，很好解释c大小写敏感，也就是说，大写跟小写代表不同内容，但是有例外。例外就是，当字母是数值的其中一个组成部分的时候，大小写通用。例如0xa5、0Xa5、0xA5、0XA5完全相同16l和16L完全相同这个f这里是否相同，明白了吧？相同。记住，仅仅当字母是数值的其中一个组成部分的时候，大小写才通用。
一：EM算法简介
EM算法简单来说就是一种迭代优化策略，由于它的计算方法中每一次迭代都分两步，其中一个为求期望步（E步），另一个为求极大值步M步），所以算法被称为EM算法（Expectation Maximization
Algorithm）。EM算法适用于求解那些含有隐变量的问题，也就是说你待求解的样本中含有无法观测到的记录值。要学习EM算法，我们需要先了解两个概念：极大似然估计和Jensen不等式。
二：极大似然估计
首先来了解一下极大似然估计。这个时候就需要小明友情客串一下了。假如小明今年刚考入大学，他在校园里闲逛，发现从身边经过的每十个人里有八个都是女生，他就想说：妥了，我指定能找到女朋友！那为什么小明会产生“能找到女朋友”这样的想法呢？其实这里就用到了极大似然估计的思想——根据观测到的样本结果推测使该结果出现的最大可能。也就是说，我们可以把极大似然看作一个反推，即根据结果推算使该结果出现的可能性最大的条件。
再举一个例子：现在我们从学校为数不多的男生中随机抽取100个男生，加入这些男生的身高服从同一个高斯分布：X~N（ u, ∂ ）。分别记录他们的身高数据为X={x1,x2,x3,…,x100}，但是我们不知道他们身高服从的高斯模型的参数是多少，所以我们的目标就是求解参数：θ=[u, ∂]T。在这里我们记抽到第i个男生身高的概率为𝑝(x𝑖|𝜃)，假设这100个男生的身高是独立同分布的，也就是说我抽到第1个男生的身高对我抽到其他男生的身高是没有影响的，那么抽到这100个男生的身高的概率就是抽到各个男生身高概率的乘积了（即𝑝(x1|𝜃)𝑝(x2|𝜃)····*𝑝(x100|𝜃)，我们把这个式子定义为似然函数L(𝜃),即L(𝜃)是一个概率累乘的形式。
我们再来想，全校那么多男生那么多的身高，为什么我偏偏就抽到了这100个身高呢？是不是可以理解成这100个身高在全校所有的男生身高中所占的比例是最大的，以至于我随便一抽就抽到了它们呢。当然可以这样理解了，所以我只要求这100个男生身高的概率乘积的最大值就好了，也就是说要求这个似然函数的最大值。求最大值避免不了要求倒数，对累乘的式子求导运算量大的难以想像，所以我们一般通过取对数把累乘变成累加的形式：
现在我们只需要对似然函数求导，令倒数为0，就可以求解得到𝜃的值了。好了，我们来回顾一下，极大似然函数就是一种反推的过程，已知了样本满足的分布（这里就是高斯分布）和样本数据（这里是男生的身高数据），要根据这样的结果反推使该结果出现的最大的可能（也就是求解一个最可能的参数𝜃来使我们抽到这样的100个身高数据）本回答被网友采纳
一：EM算法简介
EM算法简单来说就是一种迭代优化策略，由于它的计算方法中每一次迭代都分两步，其中一个为求期望步（E步），另一个为求极大值步M步），所以算法被称为EM算法（Expectation Maximization
Algorithm）。EM算法适用于求解那些含有隐变量的问题，也就是说你待求解的样本中含有无法观测到的记录值。要学习EM算法，我们需要先了解两个概念：极大似然估计和Jensen不等式。
二：极大似然估计
首先来了解一下极大似然估计。这个时候就需要小明友情客串一下了。假如小明今年刚考入大学，他在校园里闲逛，发现从身边经过的每十个人里有八个都是女生，他就想说：妥了，我指定能找到女朋友！那为什么小明会产生“能找到女朋友”这样的想法呢？其实这里就用到了极大似然估计的思想——根据观测到的样本结果推测使该结果出现的最大可能。也就是说，我们可以把极大似然看作一个反推，即根据结果推算使该结果出现的可能性最大的条件。
再举一个例子：现在我们从学校为数不多的男生中随机抽取100个男生，加入这些男生的身高服从同一个高斯分布：X~N（ u, ∂ ）。分别记录他们的身高数据为X={x1,x2,x3,…,x100}，但是我们不知道他们身高服从的高斯模型的参数是多少，所以我们的目标就是求解参数：θ=[u, ∂]T。在这里我们记抽到第i个男生身高的概率为𝑝(x𝑖|𝜃)，假设这100个男生的身高是独立同分布的，也就是说我抽到第1个男生的身高对我抽到其他男生的身高是没有影响的，那么抽到这100个男生的身高的概率就是抽到各个男生身高概率的乘积了（即𝑝(x1|𝜃)𝑝(x2|𝜃)····*𝑝(x100|𝜃)，我们把这个式子定义为似然函数L(𝜃),即L(𝜃)是一个概率累乘的形式。
我们再来想，全校那么多男生那么多的身高，为什么我偏偏就抽到了这100个身高呢？是不是可以理解成这100个身高在全校所有的男生身高中所占的比例是最大的，以至于我随便一抽就抽到了它们呢。当然可以这样理解了，所以我只要求这100个男生身高的概率乘积的最大值就好了，也就是说要求这个似然函数的最大值。求最大值避免不了要求倒数，对累乘的式子求导运算量大的难以想像，所以我们一般通过取对数把累乘变成累加的形式：
现在我们只需要对似然函数求导，令倒数为0，就可以求解得到𝜃的值了。好了，我们来回顾一下，极大似然函数就是一种反推的过程，已知了样本满足的分布（这里就是高斯分布）和样本数据（这里是男生的身高数据），要根据这样的结果反推使该结果出现的最大的可能（也就是求解一个最可能的参数𝜃来使我们抽到这样的100个身高数据）本回答被网友采纳
第2个回答 推荐于2017-11-22
这里f指float型。
c中的实数默认为double，除非后面跟着f的才指float
至于大小写问题，很好解释
c大小写敏感，也就是说，大写跟小写代表不同内容，但是有例外。
例外就是，当字母是数值的其中一个组成部分的时候，大小写通用。
例如0xa5、0Xa5、0xA5、0XA5完全相同
16l和16L完全相同
这个f这里是否相同，明白了吧？相同。
记住，仅仅当字母是数值的其中一个组成部分的时候，大小写才通用。本回答被网友采纳
c中的实数默认为double，除非后面跟着f的才指float
至于大小写问题，很好解释
c大小写敏感，也就是说，大写跟小写代表不同内容，但是有例外。
例外就是，当字母是数值的其中一个组成部分的时候，大小写通用。
例如0xa5、0Xa5、0xA5、0XA5完全相同
16l和16L完全相同
这个f这里是否相同，明白了吧？相同。
记住，仅仅当字母是数值的其中一个组成部分的时候，大小写才通用。本回答被网友采纳
第3个回答 2019-11-13
c、c++默认带小数点的常数是double型，若把它赋给一个float型变量则会有精度损失的编译警告提示，0.5f的意思是告诉编译器将这个0.5按float型处理。
相似回答