项目一。动物这样叫

程序:

//【项目1-动物这样叫】下面是给出的基类Animal声明和main()函数。
//1、根据给出的main()函数和运行结果的提示,设计出相关的各个类,注意观察运行结果,
//提取出每个类中需要的数据成员,并匹配上需要的成员函数。
//2、显然,Animal设计为抽象类更合适,Animal不需要能够实例化,是专门作基类使用的。
//改造程序,使Animal设计为抽象类,这时main()函数中p = new Animal();将出错,将此行删除。
//3、每一个Animal的派生类都有一个“名字”数据成员,这个成员设置为基类Animal的成员更好。
//改造上面的程序,将“名字”成员作为抽象类Animal数据成员被各派生类使用。
#include<iostream>
#include<string.h>
using namespace std;
class Animal
{
protected:
    string name;//名字是基类数据成员
public:
Animal(string n):name(n){}//构造函数给名字赋值
virtual void cry()
    {
      cout<<"不知哪种动物,让我如何学叫?"<<endl;
    }
};
class Mouse:public Animal
{
private:
    char sex;//性别,是char型
public:
    Mouse(string n,char s):Animal(n),sex(s){}
    void cry()
    {
        cout<<"我是"<<name<<"是个";
        switch(sex)
        {
            case 'f':cout<<"母的,";break;
            case 'm':cout<<"公的,";
        }
        cout<<"吱吱吱。"<<endl;
    }
};
class Cat:public Animal
{
public:
    Cat(string n):Animal(n){}
    void cry()
    {
        cout<<"我是"<<name<<",喵喵喵。"<<endl;
    }
};
class Dog:public Animal
{
public:
    Dog(string n):Animal(n){}
    void cry()
    {
        cout<<"我是"<<name<<",汪汪汪。"<<endl;
    }
};
class Giraffe:public Animal
{
private:
    char sex;
public:
Giraffe(string n,char s):Animal(n),sex(s){}
void cry()
    {
        cout<<"我是"<<name<<"是个";
        switch(sex)
        {
            case 'f':cout<<"母的,";break;
            case 'm':cout<<"公的,";
        }
        cout<<"我的脖子太长,发不出声音来。"<<endl;
    }
};
int main( )
{
    Animal *p;
    //p = new Animal();基类是抽象类
    //p->cry();
    Mouse m1("Jerry",'m');//根据'm',得知性别是char型
    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;
}


 

结果:

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