OJ25

/*
*程序的版权和版本声明部分:
*Copyright(c)2014,烟台大学计算机学院学生
*All rights reserved.
*文件名称:
*作者:刘晓晓
*完成日期:2014年 04月15号
*版本号:v1.0
*对任务及求解方法的描述部分:
*输入描述: 无
*问题描述:
*程序输出:无
*问题分析:
*算法设计:
*/

//编写分数类Fraction,实现两个分数的加、减、乘和除四则运算。主函数已给定。

#include <iostream>

using namespace std;
class Fraction
{
public:
    Fraction ()
    {
        a=0;
        b=0;
    }
    Fraction (int c,int d);
    Fraction operator+(Fraction&c);
    Fraction operator-(Fraction&c);
    Fraction operator*(Fraction&c);
    Fraction operator/(Fraction&c);
    bool operator ==(int);
    friend istream& operator>>(istream&,Fraction&c);
    void simple();
    void output();
private:
    int a;//分子
    int b;//分母
};
Fraction::Fraction (int c,int d)
{
    a=c;
    b=d;
}
void Fraction::simple()
{
      int s=0;
    if(b>a)
    {
         s=b;
    }
    else
         s=a;
    for(int i=1; i<=s; i++)
    {
        if((a%i==0)&&(b%i==0))
        {
            a/=i;
            b/=i;
        }
    }
}
Fraction Fraction::operator+(Fraction&c)
{
    Fraction m;
    m.a=a*c.b+c.a*b;
    m.b=b*c.b;
    return m;
}
Fraction Fraction::operator-(Fraction&c)
{
    Fraction m;
    m.a=a*c.b-c.a*b;
    m.b=b*c.b;
    return m;
}
Fraction Fraction::operator*(Fraction&c)
{
    Fraction m;
    m.a=a*c.a;
    m.b=b*c.b;
    return m;
}
Fraction Fraction::operator/(Fraction&c)
{
    Fraction m;
    m.a=a*c.b;
    m.b=b*c.a;
    return m;
}
void Fraction::output()
{
    int l;
    simple();
    if (a==0||b==0)
    {
        l=0;
        cout<<l;
    }
    else if(a==b)
    {
        l=1;
        cout<<l;
    }
    else if(a==-b)
    {
        l=-1;
        cout<<l;
    }
     else
     {
         if(b<0)
     {
         b=-b;
         a=-a;
     }
        cout<<a<<"/"<<b;
    }
}
bool Fraction::operator ==(int m)
{
    bool f=false;
    if(a==m&&b==m)
    {
        f=true;
    }
    return f;
}
istream& operator>>(istream& input,Fraction&c)
{
    input>>c.a>>c.b;
    return input;
}
int main()

{

    Fraction f1,f2,f3;

    while(cin>>f1>>f2)
    {

        if(f1==0&&f2==0)

            break;

        f3=f1-f2;

        f3.output();
        cout<<" ";

        f3=f1/f2;

        f3.output();

        cout<<endl;

    }

    return 0;

}

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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