飛飛(五十)输入输出运算符重载(cerr的用法)

/*
*Copyright (c) 2016,烟台大学计算机学院
*All rights reserved.
*文件名称:test.cpp
*作    者:李飞
*完成日期:2016年 5月 31日
*版 本 号:1.0
*
*问题描述:输入输出运算符重载(cerr的用法)
*输入描述:
*程序输出:
*/
#include <iostream>
#include<Cmath>
using namespace std;
class CFraction
{
private:
      int nume;
      int deno;
public:
      CFraction(int nu=0,int de=1):nume(nu),deno(de){}
      void simplify();
      friend istream &operator >>(istream &in,CFraction &x);
      friend ostream &operator <<(ostream &out,CFraction x);
      CFraction operator +(const CFraction &c);
      CFraction operator -(const CFraction &c);

};
void CFraction::simplify()
{
      int n,m,r;
      n=fabs(deno);
      m=fabs(nume);
      while(r=m%n)
      {
            m=n;
            n=r;
      }
      deno/=n;
      nume/=n;

      if(deno<0)
      {
            deno=-deno;
            nume=-nume;
      }
}
istream &operator>>(istream &in,CFraction &x)
{
      char ch;
      while(1)
      {
      cin>>x.nume>>ch>>x.deno;
      if(x.deno==0)
            cerr<<"分母为零,请重新输入!";
      else if(ch!='/')
            cerr<<"格式错误,请重新输入!";
      else
            break;
      }
      return cin;
}
ostream &operator<<(ostream &out ,CFraction x)
{
      if(x.deno==x.nume)
      {
            cout<<1<<endl;

      }
      else if(x.nume==0){cout<<0;}
     else cout <<x.nume<<'/'<<x.deno;
      return cout;
}
CFraction CFraction::operator+(const CFraction &c)
{
      CFraction t;
      t.nume=nume*c.deno+c.nume*deno;
      t.deno=deno*c.deno;
      t.simplify();
      return t;
}
CFraction CFraction::operator-(const CFraction &c)
{
      CFraction t;
      t.nume=nume*c.deno-c.nume*deno;
      t.deno=deno*c.deno;
      t.simplify();
      return t;

}



int main()
{
    CFraction x,y,s;
    cout<<"请输入x: ";
    cin>>x;
    cout <<"请输入y: ";
    cin>>y;
    s=x+y;
    cout<<s<<endl;
    s=x-y;
    cout<<s<<endl;
    return 0;
}
<img src="https://img-blog.csdn.net/20160531082650348?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQv/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center" alt="" />





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