选择练习题之根据路程数折扣

#include <stdio.h>

int main()
{  
    int zhekou;
    int lucheng;
	int dajian;
	int zhongliang;
	
    puts("请输入路程\n");
   	scanf("%d",&lucheng);
	
	if(lucheng < 250){
	   zhekou = 0;
	}else if(lucheng>= 250 && lucheng < 500){    //这里是用逻辑与做的一些逻辑判断
	   zhekou = 2;
	}else if(lucheng>= 500 && lucheng < 1000){
	   zhekou = 5;
	}else if(lucheng>= 1000 && lucheng <2000){
	   zhekou = 8; 
    }else if(lucheng>= 2000 && lucheng < 3000){
	   zhekou = 10;
    }else{
	   zhekou = 15;
	}
	 printf("折扣是:%.2f\n",(float)zhekou/100);
//希望看到的折扣是小数在这里除以100,在前面加上一个float整形数强制转化进行运算,
	                                          
//最后他能保持小数点后面
                                              
//f当中加.2的意思是预算只取运算数的后两位
//这个是if else的用法	  
	 
	return 0;






#include <stdio.h>

int main()
{  
    int zhekou;
    int lucheng;
	
    puts("请输入路程\n");
   	scanf("%d",&lucheng);
	
	switch(lucheng/250){
		case 0:
	       zhekou =0;
		   break;
	    case 1:
		   zhekou =2;
		   break;
		case 2:
        case 3:
		  zhekou =5;
		   break;
		case 4:
        case 5:
        case 6:
        case 7:
           zhekou =8;
           break;
        case 8:
		   zhekou =10;
		   break; 
        case 9:
        case 10:
        case 11:
		   zhekou =12;
           break;
        default:
		   zhekou =15;
           break;            //都是除以250的倍数		
	}
	
	/*if(lucheng < 250){
	   zhekou = 0;
	}else if(lucheng>= 250 && lucheng < 500){  
	   zhekou = 2;
	}else if(lucheng>= 500 && lucheng < 1000){
	   zhekou = 5;
	}else if(lucheng>= 1000 && lucheng <2000){
	   zhekou = 8; 
    }else if(lucheng>= 2000 && lucheng < 3000){
	   zhekou = 10;
    }else{
	   zhekou = 15;
	}*/
	//这段代码是为参考switch用法
    
	 printf("折扣是:%.2f\n",(float)zhekou/100);
  
	 
	return 0;

    //switch case的用法
}	
	

1.switchcase 的用法可以将上一个条件运用到下一个条件中去,觉得结束后要在后面加上break,表示这段代码的语句已经结束。

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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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。
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,生成器生成据,判别器评估据的真实性。 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(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。 9. **损失函(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。 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 1
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