java第六次作业


题目3                             

1. 商城返券活动

假设你正好需要购买N个该品牌的书包,书包单价M元一个。你需要花费多少现金就可以实现目标?

注意:每花费满200元才会返券100元,如果你花的现金为599只能返券200元。本题仅考虑购买一种商品的情形,感兴趣的同学可以根据生活中的实际情况对题目进行扩展。

输入:

书包的个数N,单价M。N为整数,M为浮点数。

输出:

实际购买到的书包个数和需要花费的现金数量。

参考老师答案:

import java.util.Scanner;
public class Main {
	public static void main(String args[]) {
		Scanner input = new Scanner(System.in);
		int n = input.nextInt();
		double m = input.nextDouble();
		double x1 = Math.ceil((2 * (double) n) / 3);
		StdOut.print((new StringBuilder()).append((int) ((x1 * 3) / 2)).append(" ").toString());
		double x2 = Math.floor((x1 * m) / 300) * 100;
		double x3 = x1 * m - x2;
		System.out.println(x3);
	}
}


2.流数据的标准差

本题要求你实现上文最后提到的计算流数据标准差的方法。

输入:

原始的数据,预先不知道个数,double类型。

输出:

输入结束时输出读到的所有数据的标准差,请使用格式化字符串"%8.5f\n"进行输出。

import java.util.ArrayList;
import java.util.List;
public class Main {
	public static void main(String args[]) {
		List<Double> dataList = new ArrayList<Double>();
		while (!StdIn.isEmpty()) {
			dataList.add(StdIn.readDouble());
		}
		double m = dataList.get(0);
		double s = 0;
		double n = 1;
		// s为公式中Sk m为公式中的Mk n为公式中k dataList.get(i)为公式中的Xk
		for (int i = 1; i < dataList.size(); i++) {
			n += 1;
			s = s + ((n - 1) / n) * (dataList.get(i) - m) * (dataList.get(i) - m);
			m = m + (dataList.get(i) - m) / n;
		}
		double res = Math.sqrt(s / (n - 1));
		StdOut.printf("%8.5f\n", res);
	}
}

3. 矩阵运算库函数

输入:

矩阵A。第一行是元素的个数,之后是矩阵元素。

输出:

矩阵转置AT,加法A+AT,乘法A*AT的结果。请使用StdArrayIO.print()进行输出。

public class Main {
	public static void main(String[] args) {
		int n = StdIn.readInt();
		int m = StdIn.readInt();
		double[][] matrix = new double[n][m];
		double[][] matrixTranspose = new double[m][n];
		double[][] matrixAdd = new double[m][n];
		double[][] matrixMultipli = new double[m][n];
		for (int i = 0; i < n; i++) {
			for (int j = 0; j < m; j++) {
				matrix[i][j] = StdIn.readDouble();
				matrixTranspose[j][i] = matrix[i][j];
			}
		}
		// 转置输出
		StdArrayIO.print(matrixTranspose);
		// 加法A+AT
		for (int i = 0; i < n; i++) {
			for (int j = 0; j < m; j++) {
				matrixAdd[i][j] = matrixTranspose[i][j] + matrix[i][j];
			}
		}
		StdArrayIO.print(matrixAdd);
		// 乘法A*AT
		for (int i = 0; i < n; i++) {
			for (int j = 0; j < m; j++) {
				double add = 0;
				for (int k = 0; k < m; k++) {
					add += matrix[i][k] * matrixTranspose[k][j];
				}
				matrixMultipli[i][j] = add;
			}
		}
		StdArrayIO.print(matrixMultipli);
	}
}



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 1
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