C++第七次上级实验作业

一、问题及代码

/*文件名称:6.65.cpp   
* 作    者:  邹鸿运   
* 完成日期: 2016年 6月 5日   
* 版 本 号:CodeBlocks   
* 对任务及求解方法的描述部分:   
* 数组素数排序
* 输入描述:  无   
* 问题描述:  数组素数排序 
* 程序输出:  用循环和选择来进行输出。 
* 问题分析:  定义一个有10个的数组a,将数组a中的所有素数放在数组b,再对数组b排序。 
* 算法设计:  用循环和选择。 
*/      
#include <iostream>
using namespace std;
void sort(int p[], int n);  //数组排序
bool prime(int x);   //素数判断
void print(int p[],int n);//输出数组
int main( )
{	int a[10]={2,13,5,47,19,53,27,23,28,11};
	int b[10],i,j=0;
	for(i=0;i<10;i++)
	{
		if(prime(a[i]))//将a中的素数存入b数组
		{
		    b[j]=a[i];
		    j++;
		}
	}
	print(b,j); //输出排序前的b数组
	sort(b,j);   //对数组b排序
	print(b,j);   //输出排序后的b数组

	return 0;
}
void sort(int p[], int n)
{
    int i,j,k;
    for(i=0;i<n;i++)
    {
        for(j=0;j<n;j++)
        {
            if(p[j]>p[j+1])
            {
                k=p[j];
                p[j]=p[j+1];
                p[j+1]=k;
            }
        }
    }
}

bool prime(int x)
{
    int i;
    for(i=2;i<x;i++)
    {
        if(x%i==0)
        {
            return 0;
        }
    }
    return 1;
}

void print(int p[], int n)
{
    int i;
    for(i=0;i<n;i++)
    {
        cout<<p[i]<<" ";
    }
    cout<<endl;
}


二、运行结果



三、心得体会

要熟练掌握选择,调用,循环,熟悉数组和循环的次数。


四、知识点总结

使用冒泡排序来进行排序,以及函数的调用。



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