9月9日参加自考《高级程序语言1》实践

E1:
<pre class="cpp" name="code">//e1:输入一个n,再矩阵n*n的数,寻找到其中最小值,输出其行和列
#include <stdio.h>
int a[1000][1000];//考试环境不允许使用变量声明数组
void make(int n);//输入数据
void findmin(int n);//找最小值
int main (void)
{
	int n;
	printf("please enter a number for metrix:\n");
	scanf("%d",&n);
	make(n);
	findmin(n);
	return 0;
}
void make(int n)
{
	int i,j;
	printf("please enter data:\n");
	for(i=0;i<n;i++)
	{
		for(j=0;j<n;j++)
		{
			scanf("%d",&a[i][j]);
		}
	}
}
void findmin(int n)
{
	int c=0,l=0,i,j;
	for(i=0;i<n;i++)
	{
		for(j=0;j<n;j++)
		{
			if(a[i][j]<a[c][l])
			{
				c=i;
				l=j;
			}			
		}
	}
	printf("hang=%d,lie=%d",c+1,l+1);
}





 
</pre><pre class="html" name="code" snippet_file_name="blog_20160909_4_363815" code_snippet_id="1874589">
</pre><p></p><p></p><p><pre class="cpp" name="code">//15进制转换
#include <stdio.h>
void convert(int x);
void output(int x);
int main (void)
{
	int num;
	printf("please enter a number to convert:\n");
	scanf("%d",&num);
	if (num>9)
		convert(num);
	return 0;
}
void convert (int x)
{
	int zheng,yu;
	char fifteen;
	zheng=x/15;//1
	yu=x%15;//0
	if (zheng>15)
	{
			convert(zheng);			
	}
	else
	{
		if(zheng>9)
		{
		output(zheng);
		}
		else
		{
			printf("%d",zheng);	
		}
	}
		output(yu);
}
void output(int x)
{
	char fifteen;
	if(x>9)
	{
		if(x==10)
			fifteen='A';
		else if(x==11)
			fifteen='B';
		else if(x==12)
			fifteen='C';
		else if(x==13)
			fifteen='D';
		else if(x==14)
			fifteen='E';
		printf("%c",fifteen);
	}
	else
	{
		printf("%d",x);
	}
}


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