对字符的操作

字符串倒置

输入字符串,要求将该字符串倒置输出,例:asdfgh,输出hgfdsa

#include<stdio.h>

#include<string.h>

#define N 100

void convert(char s[N])

{

int i,j;

char temp;

j=strlen(s)-1;//字符串的长度减一,因为字符数组下标从0开始

for(i=0;i<strlen(s)/2;i++)

{

temp=s[i];

s[i]=s[j-i];

s[j-i]=temp;

}

/*i变量从0strlen(s)/2-1,当数组长度为偶数时实现字符串的前半部分

与后半部分的互换;当数组长度为奇数时前半部分与后半部分互换,

中间的字符位置不动*/

printf("/n字符串的倒置结果为:/n%s/n",s);

}

void main()

{

char str[N];//定义字符数组

printf("输入字符串/n");

gets(str);//从终端输入函数

printf("/n原始字符串为:/n%s",str);

convert(str);//函数调用

}

输入一串字符判断是否为回文字符串,即正反都一样的字符串

#include<stdio.h>

int palind(char str[],int k,int i)

{/*k是当前比较到的位置,i是字符数组的最大下标*/

if(str[k]==str[i-k]&&k==0)//递归条件的结束

return 1;

else if(str[k]==str[i-k])//判断前后相对的字符相等

palind(str,k-1,i);//函数的递归调用

else

return 0;

}

/*从中间位置开始向两边比较*/

void main()

{

int i=0,n=0;

char ch,str[20];

printf("请输入一串字符:/n");

while((ch=getchar())!='/n')//输入Enter结束循环

{

str[i]=ch;

i++;//i来记录字符的个数

}

if(i%2==0)

n=palind(str,(i/2),i-1);//字符长度为偶数时

else

n=palind(str,(i/2-1),i-1);//字符长度为奇数时

if(n==0)//n来判断是否为回文字符

printf("不是回文字符/n");

else

printf("是回文字符/n");

}

删除字符串中指定位置的指定长度的连续字符,例如 ni hao 删除从第二个位置删除2个字符,结果为nhao

#include<stdio.h>

void del(char s[],int pos,int len)/*类似于顺序表的删除操作*/

{

int i;

for(i=pos-1+len;s[i]!='/0';i++,pos++)/*i为要删除字符长度后的第一个字符位置(pos-1+len)pos-1是字符数组的下标从0开始*/

s[pos-1]=s[i];

s[pos-1]='/0';/*加字符串的结束标志*/

}

void main()

{

char str[50];

int position;

int length;

printf("/n请输入字符串/n");

gets(str);

printf("/n请输入要删除的位置/n");

scanf("%d",&position);

printf("/n请输入要删除的长度/n");

scanf("%d",&length);

del(str,position,length);

printf("/n结果为:%s/n",str);

}

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