C++ STL 常见用法

isalpha(a)判断是否为字母
tolower(a)字母转换为小写

1排序sort(a,a+n,com());
2.lower_bound(a,a+n,x),查找大于等于x的第一个位置,返回值为指针
3.unique删除有序数组中的重复元素

二不定长数组vetor

1.ve.push_back();数组后面增加一个元素。括号里填的是ve里装的东西
2.ve.clear();清空ve里的所有元素。
3.ve.empty();判断ve是否为空,如果是返回true,否则false
4.ve.size();返回ve的长度。注意这里返回的类型是unsigned int,如果ve是空的5.ve.size() - 1就会爆掉。使用的时候一定要小心(做TC的时候被坑了一次)
5.ve.pop_back()删除数组里的最后一个元素。
6.ve.erase( 迭代器指针 )

三集合set

1.insert插入
2.find查找
3.count次数,set只有0和1
4.remove删除
set::iterator迭代器类似于指针
set.begin()和set.end()也是指针类型

四映射map

1.insert插入
2.find查找
3.count次数
4.remove删除

五栈,队列,优先队列

1栈
push()入栈
pop()出栈
top()取栈顶元素
2队列
push()入栈
pop()出栈
front()取队首元素
3优先队列,先出队列不熟先进队列的元素,而是队列中优先级最高的元素 priority_quequepq
越小的整数优先级越大的优先队列priorit_queue,greater<> >pq;
1.push()入栈
2.pop()出栈
3.top()优先级别最高的元素

string

字符串逆置


#include <iostream>
#include <string>
#include <algorithm>
using namespace std;

int main()
{
      string str1;
      cin>>str1;
      cout<<str1<<endl;
      reverse(str1.begin(),str1.end());
      cout<<str1<<endl;
      return 0;
}
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