第十四周(项目一)——动物这样叫。

/* 
02.*烟台大学计算机学院学生 
03.*All right reserved. 
04.*文件名称*烟台大学计算机学院学生 
05.*All right reserved. 
06.*文件名称:动物这样叫
07.*作者:王洪海 
08.*完成日期:2013年5月27日 
09.*版本号:v1.0 
10.*对任务及求解方法的描述部分:动物这样叫 
11.*我的程序: 
12.*/  

#include <iostream>

#include <string>

using namespace std;

class Animal
{
public:
  Animal (string n):name(n){}
  virtual void cry() const =0;
protected:
  string name;
};
class Mouse:public Animal
{
  public:
   Mouse (string n,char s):Animal(n),sex(s){}
   ~Mouse(){}
   virtual void cry() const
   {
       cout<<"我叫"<<name;
       if(sex=='m')
        cout<<", 是一只男老鼠,我的叫声是:";
       else if(sex=='f')
        cout<<", 是一只女老鼠,我的叫声是:";
        cout<<"吱吱吱!"<<endl;
   }
  protected:
   char sex;
};

class Cat:public Animal
{
  public:
   Cat(string n):Animal(n){}
   ~Cat(){}
   virtual void cry() const
   {
       cout<<"我叫"<<name<<", 我是一只猫,我的叫声是: 喵喵喵!"<<endl;
   }
};

class Dog:public Animal
{
  public:
   Dog(string n):Animal(n){}
   ~Dog(){}
   virtual void cry() const
   {
       cout<<"我叫"<<name<<", 我是一只狗,我的叫声是: 汪汪汪!"<<endl;
   }
};

class Giraffe:public Animal
{
  public:
   Giraffe(string n,char s):Animal(n),sex(s){}
   ~Giraffe(){}
   virtual void cry() const
   {
      cout<<"我叫"<<name;
      if(sex=='m')
        cout<<", 是一只男长颈鹿,我的脖子太长,发不出声音来!";
       else if(sex=='f')
        cout<<", 是一只女长颈鹿,我的脖子太长,发不出声音来!";
        cout<<"吱吱吱!"<<endl;
   }
  protected:
   char sex;
};
int main( )
{
    Animal *p;
    Mouse m1("Jerry",'m');
    p=&m1;
    p->cry();
    Mouse m2("Jemmy",'f');
    p=&m2;
    p->cry();
    Cat c1("Tom");
    p=&c1;
    p->cry();
    Dog d1("Droopy");
    p=&d1;
    p->cry();
    Giraffe g1("Gill",'m');
    p=&g1;
    p->cry();
    return 0;
}


运行结果,如下图:

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