poj 2070 Filling Out the Team

这道题也什么好写的,需要注意的地方就是输入的时候,speed是double型的,如果用 scanf 输入就很是麻烦,

因为对于后面的判断 if (sp==0 && w==0 && st==0) ,用 scanf 输入不好操作。。。

另外的一点就是这道题就应该用结构体来做,思路一目了然,我知道直接用数组来写代码量会少很多,但是还是选择了结构体,

这个题目卫星数据很多,不用结构体感觉结构体就无用武之地了。。。


接下来看题目:

题意:给出了球场上Wide Receiver,Lineman,Quarterback三个位置所需人员的最低属性(speed,weight strength)要求,输入:三个数据,为别为speed、weight 、strength,若输入的速度低于或等于球场上位置的要求,体重和力量大于或等于球场上位置的要求,则输出相应的符合位置,若有多个符合的位置,中间用一个空格隔开输出,如没有符合位置,则输出

No positions

思路:将输入属性与球场位置的要求属性依次比较即可。

一直纳闷,为什么要速度低于speed limit,不是速度越快越好吗。。。

AC的代码:

#include <stdio.h>
#include <string.h>
#include <iostream>

using namespace std;

typedef struct s
{
	char * pos;
	double speed;
	int weight;
	int strength;
}Player;

int main()
{
	Player player[3];
	player[0].pos = "Wide Receiver", player[0].speed = 4.5, player[0].weight = 150, player[0].strength = 200;
    player[1].pos = "Lineman", player[1].speed = 6.0, player[1].weight = 300, player[1].strength = 500;
    player[2].pos = "Quarterback", player[2].speed = 5.0, player[2].weight = 200, player[2].strength = 300;

	double sp;
	int w,st;
	int i;
	int flag;
	while(cin>>sp>>w>>st)
	{
		if (sp==0 && w==0 && st==0)
			break;

		flag=0;
		for(i=0;i<3;i++)
		{
			if (sp<=player[i].speed && w>=player[i].weight && st>=player[i].strength)
			{
				flag=1;
				printf("%s ",player[i].pos);
			}
		}

		if (flag==0)
			printf("No positions");

		printf("\n");
	}



	return 0;
}




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