第九周 OJ-1

问题及代码:
[cpp]  view plain  copy
 print ? 在CODE上查看代码片 派生到我的代码片
  1. /*题目描述 
  2. 输入一行字符,分别统计出其中英文字母、数字、空格和其他字符的个数。 
  3.  
  4. 输入 
  5. 一行字符 
  6.  
  7. 输出 
  8. 统计值 
  9.  
  10. 样例输入 
  11. aklsjflj123 sadf918u324 asdf91u32oasdf/.';123 
  12.  
  13. 样例输出 
  14. 23 16 2 4 
  15. */#include <stdio.h>  
  16. int main()  
  17. {  
  18.     int n1=0,n2=0,n3=0,n4=0;  
  19.     char c;  
  20.     while((c=getchar())!='\n')  
  21.     {  
  22.         if((c>='A'&&c<='Z')||(c>='a'&&c<='z')||(c<='9'&&c>='0')||(c==' '))  
  23.         {  
  24.             if((c>='A'&&c<='Z')||(c>='a'&&c<='z'))  
  25.             {  
  26.                 n1++;  
  27.             }  
  28.   
  29.             else if(c<='9'&&c>='0')  
  30.             {  
  31.                 n2++;  
  32.             }  
  33.             else if(c==' ')  
  34.             {  
  35.                 n3++;  
  36.             }  
  37.         }  
  38.         else  
  39.         {  
  40.             n4++;  
  41.         }  
  42.     }  
  43.     printf("%d %d %d %d",n1,n2,n3,n4);  
  44.     return 0;  
  45. }  

运行结果:

知识点总结:


循环结构判断的嵌套,字符型的初步认识。


学习心得:

对字符型有了出不了解,同时巩固了以前的知识

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