《第九周实验报告四》

/*
* 程序的版权和版本声明部分
* Copyright (c) 2011, 烟台大学计算机学院学生 
* All rights reserved.
* 文件名称:* 作    者:  张斌                            
* 完成日期:  2012年 4 月 18 日
* 版 本 号: 9-2-1        
 
* 对任务及求解方法的描述部分
* 代码实现
#include <iostream>   
  
using namespace std;  
  
class Douary  
{  
public:  
    Douary(int m, int n);//构造函数:用于建立动态数组存放m行n列的二维数组(矩阵)元素,并将该数组元素初始化为   
    Douary(const Douary &d);  
    ~Douary(){delete [] Array;} //析构函数:用于释放动态数组所占用的存储空间。   
  
    friend istream & operator >> (istream &input, Douary &d);//重载运算符“>>”输入二维数组,其中d为Dousry类对象;   
    friend ostream & operator << (ostream &output, Douary &d);//重载运算符“<<”以m行n列矩阵的形式输出二维数组,   
    //其中d为Douary类对象。   
    friend Douary operator + (const Douary &d1, const Douary &d2);//两个矩阵相加,规则:对应位置上的元素相加   
    friend Douary operator - (const Douary &d1, const Douary &d2);//两个矩阵相减,规则:对应位置上的元素相减   
    bool operator == (const Douary &d);//判断两个矩阵是否相等,即对应位置上的所有元素是否相等   
private:  
    int * Array;      //Array 为动态数组指针。   
    int row;          //row  为二维数组的行数。   
    int col;          //col   为二维数组的列数。   
};  
Douary::Douary(int m, int n)  
{  
    row = m, col = n;  
    Array = new int [row*col];  
  
    for (int i = 0; i < row*col; i++)  
        Array[i] = 0;  
}  
Douary::Douary(const Douary &d)  
{  
    col = d.col, row = d.row;  
    Array = new int[row*col];   
  
    for (int i = 0; i < row*col; i++)  
        Array[i] = d.Array[i];  
}  
istream & operator >> (istream &input, Douary &d)  
{  
    cout << "请输入元素(" << d.row << "行" << d.col <<"列):" << endl;  
  
    for (int i = 0; i < d.col*d.row; i++)  
    {     
        input >> d.Array[i];  
    }  
  
    return input;  
}  
ostream & operator << (ostream &output, Douary &d)  
{  
    for (int i = 0; i < d.col*d.row; i++)  
    {  
        if (i % d.col == 0) cout << endl;  
        output << d.Array[i] <<'\t';  
    }  
    cout << endl;  
    return output;  
}  
Douary operator + (const Douary &d1, const Douary &d2)  
{  
    Douary D(d1);  
  
    for (int i = 0; i < d1.col*d1.row; i++)  
            D.Array[i] = d1.Array[i] + d2.Array[i];  
  
    return D;     
}  
Douary operator - (const Douary &d1, const Douary &d2)  
{  
    Douary D(d1);  
  
    for (int i = 0; i < d1.col*d1.row; i++)  
            D.Array[i] = d1.Array[i] - d2.Array[i];  
  
    return D;     
}  
bool Douary::operator == (const Douary &d)  
{  
    if (this->col == d.col && this->row == d.row)  
    {  
        for (int i = 0; i < d.col*d.row; i++)  
                if (*(this->Array+i) != *(d.Array+i))  
                    return false;  
    }  
    else  
        return false;  
  
    return true;  
}  
int main()  
{  
    Douary d1(2, 3), d2(2, 3);  
  
    cout << "输入d1:" << endl;  
    cin >> d1;  
    cout << "输入d2:" << endl;  
    cin >> d2;  
  
    cout << "d1=" ;  
    cout << d1;  
    cout << "d2=";  
    cout << d2;  
  
    cout << "d1+d2=";  
    cout << (d1+d2);  
    cout << "d1-d2=";  
    cout << (d1-d2);  
  
    cout << "d1" << ((d1==d2)? "==":"!=") << "d2" << endl;  
  
    system("pause");  
    return 0;  
}  
运行结果:

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 2
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