第26讲项目4

任务和代码:



/*
*Copyright (c)2016,CSDN学院
*All rights reserved.
*作者:郑杰文
*文件名称:demo26-4.c
*完成日期:2016.09.17
*版本号:v1.0

【项目4:本月有几天?】
编程序,输入年份和月份,输出本月有多少天。合理选择分支语句完成设计任务。
样例输入1:2004 2
输出结果1:本月29天
样例输入2:2010 4
输出结果2:本月30天

*/


#include <stdio.h>
#include <stdlib.h>

int main()
{
    int y,m,d;
    //定义变量年和变量月、天。
    printf("请输入年月以空格形式隔开我会告诉你有多少天\n不要问为什么。这是剧情需要\n");
    scanf("%d %d",&y,&m);
    if(y%4==0 && y%100!=0 || y%400==0)
    //闰年计算公式:能被4整除并且不能被100整除,或能被400整除。
    {
        d=29;
    }
    else
    {
        d=28;
    }
    switch(m)
    //判断输入月份是否与下列相等则执行以下操作。
    {
        case 1:
        case 3:
        case 5:
        case 7:
        case 8:
        case 10:
        case 12:
        printf("本月有31天。\n");
        break;
        case 2:
        printf("本月有%d天。\n",d);
        break;
        case 4:
        case 6:
        case 9:
        case 11:
        printf("本月有30天。\n");
        break;
        default:
        printf("输入错误。请重新输入。\n");

    }
    return 0;
}


运行结果:




项目总结:

恩。好久都没有发过博客了。虽然平时也有写一些代码但并没有之前写的那么多了。可能最近懒了点吧。不过还是会坚持下去的。谢谢支持我的哥们儿。这个项目没有之前的幽默代码,将就看下吧。我被switch和case搞得头有点大。不是这两个代码是老师讲的那个逻辑搞得有点乱。我慢慢缕缕应该会好的。下一个项目我还是会保持我之前的风格来发布博文的。献给支持我的朋友和我自己。继续努力坚持下去吧。典型三分钟热度的人已经过了那个热度时期了。不过我还是坚持了下来继续写。今后的日子基本就会保持这样了。再接再厉吧。加油!!!




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