第六周项目3-IP地址类

问题及代码:

/*
 *Copyright(c)2016,烟台大学计算机与控制工程学院
 *All right reserved.
 *文件名称:77.cpp
 *作    者:董凯琦
 *完成日期:2016年4月5日
 *版 本 号:v1.0
 *
 *问题描述:在互联网中使用IP地址占4字节,可以用四段法表示,每段
 值的范围为0-255,中间用"."隔开,例如202.194.116.97。现设计一个
 IP地址类,用于保存IP地址,并实施在IP地址上的一些操作。
 *输入描述:无
 *程序输出:
 */
#include <iostream>
using namespace std;
class IP
{
private:
    union
    {
        struct
        {
            unsigned char seg0;
            unsigned char seg1;
            unsigned char seg2;
            unsigned char seg3;

        };
        unsigned int address;
    };
public:
    IP(int=0,int=0,int=0,int=0);
    void showIP();
    bool sameSubnet(const IP &ip,const IP &mark);
    char whatKind();
};
IP::IP(int s0,int s1,int s2,int s3)
{
    seg3=s0;
    seg2=s1;
    seg1=s2;
    seg0=s3;
}

void IP::showIP()
{
    cout<<int(seg3)<<"."<<int(seg2)<<"."<<int(seg1)<<"."<<int(seg0)<<endl;
    return;
}

bool IP::sameSubnet(const IP &ip, const IP &mark)
{
    unsigned int i1, i2;
    i1=address&mark.address;
    i2=ip.address&mark.address;
    return (i1==i2);
}

char IP::whatKind()
{
    if(seg3<128)
        return 'A';
    else if(seg3<192)
        return 'B';
    else if(seg3<224)
        return 'C';
    else if(seg3<240)
        return 'D';
    else
        return 'E';
}


int main()
{
    IP ip1(202,194,116,97),ip2(202,194,119,102),mark(255,255,248,0);
    cout<<"ip1:";
    ip1.showIP();
    cout<<"ip2:";
    ip2.showIP();
    if(ip1.sameSubnet(ip2,mark))
        cout<<"两个IP在同一个子网"<<endl;
    else
        cout<<"两个IP不在同一个子网"<<endl;
    cout<<"ip1属于"<<ip1.whatKind()<<"类网络"<<endl;
    return 0;

}


运行结果:

知识点总结:

进一步加深了对成员函数知识点的理解。

学习心得:

了解到了IP地址的有关知识。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值