C++学习笔记 | 第三章 字符串、向量和数组 | (1)

1、命名空间的using 声明,using namespace :: name;

2、定义和初始化string对象

        string s1 = "hiya";//这种方式叫拷贝初始化

        string s2("hiya");//这种方式叫直接初始化

        string s3 =(n,'c');//把s3初始化为由n个字符c组成的串

3、string对象上的操作

        os<<s

        is>>s

        getline(is,s)  //从is中读取一行赋给s,返回is

        s.empty()  //s为空返回true,否则返回false

        s.size()  //返回s中字符的个数

4、读写string对象:在执行读取操作时,string对象会自动忽略开头的空白(即空格符,换行符,制表符等)并从第一个真正的字符开始读起,直到遇见下一处空白为止。

5、使用getline读取一行:getline函数的参数是一个输入流和一个string对象,函数从给定的输入流读入内容,直到遇到换行符为止(注意换行符也被读进来了),然后把所读的内容存入到那个string对象中去(注意不存换行符)。

6、字符串string的size函数返回值是一个无符号整型数,因此,在使用类似于s.size()<n,一定要确保n不是负数。想想原因是什么?---------------(无符号数和负数比较时,负数会转换成一个比较大的无符号值。),如果一条表达式中已经有了size()函数就不要再使用int了,这样可以避免混用int 和unsigned可能带来的问题。

7、当把string对象和字符字面值及字符串字面值混在一条语句中使用时,必须确保每个加法运算符(+)的两侧的运算对象至少有一个是string。比如string s = "hello"+"world"就是错的,但string s =  s1+"hello"+"world"是对的。想想为什么。

8、处理string字符串中的字符的办法有二:使用增强for循环和使用下标。如果想要对其中的字符做些什么,如打印,则用for(auto c :str);如将小写字母改成大写,则用for( auto &c :str),嘿嘿。

9、标准库类型vector:表示对象的集合,其所有对象的类型都相同,因为vector可以容纳对象,所以,也常被称作容器。如,vector<int> ivec;

10、vector对象初始化方法

            vector<T>  v1

            vector<T>  v2(v1)

            vector<T>  v2 = v1

            vector<T>  v3(n,val)

            vector<T>  v4(n)

            vector<T>  v5{a,b,c...}

      对初始化的方式有两个特殊限制:一是有些类要求必须明确地提供初始值;二是如果只提供了元素的数量而没有设定初始值,只能使用直接初始化(还记得什么叫直接初始化吗?就是本点第2个),所以vector<int> vi = 10;是错的。而vector<string> v7{10};//是v7有10个默认初始化的元素。因为花括号中的10不能被编译器认为是字符串对象,而会尝试使用默认的值初始化形式初始化v7.

11、vector的操作

         向vector对象中添加元素:使用push_back(object);向vector对象添加尾端元素。但是如果循环体内有向vector对象中添加元素的语句,则不能使用增强for循环

         v.empty()

         v.size()

12、vector对象以及string对象的下标运算符可用于访问已经存在的元素,而不能用于添加元素。


未完待续...

             



 

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