学习篇---标准库类型中细节巩固问题

标准库string类型

1.string类型的初始化

2.string类型的输入操作符注意的问题

3.getline 读取整行文本

4.string中的size的返回类型是什么?为什么不能返回int型?

5.string'中和字符串字面值的连接 (+操作符) 加操作符返回的是string对象

6. string 对象s, s[s.size()-1] 表示的是什么

7. 采用C标准库头文件的C++版本


标准库vector类型

1.vector对象的定义和初始化

2.vector对象的操作

3. 求count的值

/**
 * Copyright (C) 2014, CSU
 * All rights reservedl
 * File Name:test.cpp
 * Author: lmm
 * Date of completion: 2014/10/6
 * Version: v1.0
 * 
 * Problem description:read words from the standard input and store them as elements in a vector,count numbers of whitespace-separated string 
 * Input description: input words
 * Program output: an integer
 */

#include <iostream>
#include <string>
#include <fstream>
#include <cctype>
#include <vector>
using namespace std;
#define MAX_PATH 260
int main()
{
    vector<string> text;
    string word;
    vector<string>::size_type cnt = 0;
    while(cin >> word )
    {
        ++cnt;
        text.push_back(word);
    }
    cout << "Count: " << cnt << endl;
    return 0;
}


4.vector的下标操作只能用于获取已存在的元素,必须是已存在的元素才能用下标操作符进行索引。通过下标操作进行赋值时,不会添加任何元素。

5.区分const_iterator 和 const的iterator (3.21)

 

标准库bitset类型

1.初始化bitset对象的方法

2.测试题:考虑这样的序列:1,,2,3,5,8,13,21,给定一个空的bitset对象,编写一小段程序把相应的数位置1

/**
 * Copyright (C) 2014, CSU
 * All rights reservedl
 * File Name:test.cpp
 * Author: lmm
 * Date of completion: 2014/10/6
 * Version: v1.0
 *
 * 问题描述:考虑这样的序列:1,,2,3,5,8,13,21,给定一个空的bitset对象,编写一小段程序把相应的数位置1
 * 输入描述: 空的bitset对象
 * 程序输出: 输出bitset对象的位模式
 */

#include <iostream>
#include <bitset>
using namespace std;
int main()
{
    bitset<32> bv;
    int x = 0, y = 1, z;
    z = x + y;
    while(z <= 21)
    {
        bv.set(z);
        x = y;
        y = z;
        z = x + y;
    }
    cout << "The value of all bits of bv :" << endl << bv << endl;
    return 0;
}


注意:设置为1的数位的位编号符合斐波那契数列的规律

总结:今天主要温习巩固标准库类型中需要注意的小细节问题,问题涉及的不够全面,后续继续添加

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类型,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