C语言之链表

链表的建立

	#include <stdio.h>
  2 
  3 struct test
  4 {
  5     int dat;
  6     struct test *next;
  7 };
  8 
  9 void printlink(struct test *head)
 10 {
 11     while(head != NULL){
 12         printf("%d",head->dat);
 13         head = head->next;
 14 
 15 }
 16     putchar('\n');
 17 }
 18 
 19 int main()
 20 {
 21     struct test s1 = {1,NULL};
 22     struct test s2 = {2,NULL};
 23     struct test s3 = {3,NULL};
 24     struct test s4 = {4,NULL};
 25 
 26     s1.next = &s2;
 27     s2.next = &s3;
 28     s3.next = &s4;
 29     printf("print data:\n");
 30     printlink(&s1);
 31     return 0;
 32 }

链表的链点个数统计以及查找

#include <stdio.h>

struct test
{
	int dat;
	struct test *next;
};

void printlink(struct test *head)
{
	while(head != NULL){
		printf("%d",head->dat);
		head = head->next;

	}
	putchar('\n');
}

int linkpointnum(struct test *head)
{
	int num=0;
	while(head != NULL){
		num++;
		head = head->next; 
	}
	return num;
}

int search_link(struct test *head,int data)
{
	while(head != NULL){
		if(head->dat == data){
			return 1;
		}
		head = head->next;
	}
	return 0;
}

int main()
{
	struct test s1 = {1,NULL};
	struct test s2 = {2,NULL};
	struct test s3 = {3,NULL};
	struct test s4 = {4,NULL};

	s1.next = &s2;
	s2.next = &s3;
	s3.next = &s4;
	printf("print data:\n");
	printlink(&s1);

	int ret;
	ret = linkpointnum(&s1);
	printf("link point num = %d\n",ret);
	ret = search_link(&s1,1);
	if(ret == 1){
		printf("have 1\n");
	}
	else{
		printf("no 1\n");
	}
	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