C语言编程经典100例——31至40例

目录

第 31 例

第 32 例

第 33 例

第 34 例

第 35 例

第 36 例

第 37 例

第 38 例

第 39 例

第 40 例


第 31 例

程序源码:

/*
题目:编写一个程序求e的近似值。

程序分析:自然对数的底数e可以用级数1+1/1!+1/2!+…+1/n!来近似计算。
本题即对给定的非负整数n,求该级数的前n项和。
*/

#include<stdio.h>

//自定义的计算阶乘的递归算法函数。
double fun(int n)
{
	if(n==0||n==1)
	{
		return 1;
	}
    else
	{
		return n*fun(n-1);
	}
}

int main()
{
	int n;
	printf ("请输入一个不大于 1000 的非负整数:");
	scanf("%d",&n);
	int i;
	double sum=1.0;
	for(i=1;i<=n;i++)
	{
		sum+=1.0/fun(i);
	}
	printf("\n自然对数的底数e的近似值计算结果是:%.8lf\n\n",sum);

	return 0;
}

程序运行结果:

第 32 例

程序源码:

/*
题目:编写一个程序求1的阶乘累加到10的阶乘的值。

程序分析:详见下面的代码。
*/

#include <stdio.h>
#define n 10

int main ()
{
	int i;
	long int jc=1,sum=0;
	for (i=1;i<=n;i++)
	{
		jc*=i;
		for (i=1;i<=n;i++)
		{
			sum+=jc;
		}
	}

	printf ("1的阶乘累加到10的阶乘的值等于:%ld\n",sum);

	return 0;
}

程序运行结果:

第 33 例

程序源码:

/*
题目:判断一个数字是否为质数(素数)。

程序分析:质数又称素数,有无限个。一个大于1的自然数,除了1和它本身外,
不能被其他自然数整除,这样的自然数称为质数(素数)。
*/

#include <stdio.h>

int main ()
{
	/*
      n用作输入的数字,i用作循环遍历,flag用作判断质数(素数)的标志。
      首先令判断标志flag为1,即默认这个数为素数。
     (flag等于1,则认为该数是素数。flag等于0,则认为该数不是素数。)
    */
	int n=1,i=1,flag=1;
	printf ("请输入一个自然数(正整数):\n");
	scanf ("%d",&n);

	for (i=2;i<n;i++)
	{
		if (n%i==0)
		{
			flag=0;
		}
	}

	if (flag==1)
	{
		printf ("%d是质数(素数)!\n",n);
	}
	else
	{
		printf ("%d不是质数(素数)!\n",n);
	}

	return 0;
}

程序运行结果:

第 34 例

程序源码:

/*
题目:练习函数调用。

程序分析:先自定义函数,然后再在主函数中调用自定义的函数。

注意:
当自定义函数在主函数之后定义时,在主函数中调用该自定义函数时需要在主函数之前进行声明。

当自定义函数在主函数之前定义时,在主函数中调用该自定义函数时则不需要在主函数之前进行声明。
*/

#include <stdio.h>

//第一个自定义函数
void hello_world(void)
{
    printf("Hello world!\n");
}

//第二个自定义函数
void ten_hellos(void)
{
    int counter;
    for (counter = 1; counter <= 10; counter++)
        hello_world();  //调用此函数
}

//主函数
int main(void)
{
    ten_hellos();  //调用此函数

	return 0;
}

程序运行结果:

第 35 例

程序源码:

/*
题目:倒序输出指定的字符串。

程序分析:详见下面的代码。
*/

#include <stdio.h>

//自定义的字符串反转函数。
void reverse(char* s)
{
    // 获取字符串长度。
    int len = 0;
    char* p = s;
    while (*p != 0)
    {
        len++;
        p++;
    }
    
    //交换 。
    int i = 0;
    char c;
    while (i <= len / 2 - 1)
    {
        c = *(s + i);
        *(s + i) = *(s + len - 1 - i);
        *(s + len - 1 - i) = c;
        i++;
    }
}
 
int main()
{
    char s[] = "I love China very much!";
    printf("原来的字符串:%s\n", s);
    reverse(s);    //反转字符串。
    printf("倒序输出的字符串:%s\n", s);

    return 0;
}

程序运行结果:

第 36 例

程序源码:

/*
题目:编写一个程序,输入一个正整数,求它的阶乘。

程序分析:详见下面的代码。
*/

#include <stdio.h>

int main()
{
  int n, i;
  long int result=1;
  printf("请输入一个正整数:\n");
  scanf("%d", &n);
  for (i=1; i<=n; i++)
  {
    result *= i;
  }
  printf("%d 的阶乘是 %ld\n", n, result);
  printf ("\n");

  return 0;
}

程序运行结果:

第 37 例

程序源码:

/*
题目:对10个整数从小到大排序。

程序分析:可以利用选择法,即从后9个比较过程中,选择一个最小的与第一个元素交换,
依此类推,即用第二个元素与后8个进行比较,并进行交换。
*/

#include<stdio.h>

#define N 10

int main()
{
    int i,j,a[N],temp;
    printf("请输入 10 个整数:(注意每一个数字以回车符或者空格分隔开!)\n");
    for(i=0;i<N;i++)
	{
        scanf("%d",&a[i]);
	}
    for(i=0;i<N-1;i++)
    {
        int min=i;
        for(j=i+1;j<N;j++)
            if(a[min]>a[j]) min=j;
        if(min!=i)
        {
            temp=a[min];
            a[min]=a[i];
            a[i]=temp;
        }
    }
    printf("从小到大的排序结果是:\n");
    for(i=0;i<N;i++)
	{
        printf("%d ",a[i]);
	}
    printf("\n");

    return 0;
}

程序运行结果:

第 38 例

程序源码:

/*
题目:编写一个程序,输入一个字符,判断它是大写字母、小写字母、数字还是其他字符。

程序分析:详见下面的代码。
*/

#include <stdio.h>

int main()
{
  char ch;
  printf("请输入一个字符:\n");
  scanf("%c", &ch);
  if (ch >= 'A' && ch <= 'Z')
  {
    printf("你输入的是大写字母。\n");
  }
  else if (ch >= 'a' && ch <= 'z')
  {
    printf("你输入的是小写字母。\n");
  }
  else if (ch >= '0' && ch <= '9')
  {
    printf("你输入的是数字。\n");
  }
  else
  {
    printf("你输入的是其他字符。\n");
  }
  printf ("\n");

  return 0;
}

程序运行结果:

第 39 例

程序源码:

/*
题目:有一个已经排好序的数组。现输入一个数,要求按原来的大小规律将它插入数组中。

程序分析:首先判断此数是否大于最后一个数,然后再考虑插入中间的数的情况,插入后,
此元素之后的数依次后移一个位置。
*/

#include<stdio.h>

int main()
{
    int a[11]={1,4,6,9,13,16,19,28,40,100};
    int temp1,temp2,number,end,i,j;
    printf("原始数组是:\n");
    for(i=0;i<10;i++)
	{
        printf("%-4d",a[i]);
	}
    printf("\n\n插入一个新的数字: ");
    scanf("%d",&number);
    end=a[9];
    if(number>end)
	{
        a[10]=number;
	}
    else
    {
        for(i=0;i<10;i++)
        {
            if(a[i]>number)
            {
                temp1=a[i];
                a[i]=number;
                for(j=i+1;j<11;j++)
                {
                    temp2=a[j];
                    a[j]=temp1;
                    temp1=temp2;
                }
                break;
            }
        }
    }
	printf ("\n新的数组是:\n");
    for(i=0;i<11;i++)
	{
        printf("%-4d",a[i]);
	}
    printf("\n\n");

    return 0;
}

程序运行结果:

第 40 例

程序源码:

/*
题目:将一个指定的数组逆序输出。

程序分析:用第一个元素与最后一个元素交换,以此类推。
*/

#include<stdio.h>

#define N 10

int main()
{
    int a[N]={0,1,2,3,4,5,6,7,8,9};
    int i,t;
    printf("原始数组是:\n");
    for(i=0;i<N;i++)
	{
        printf("%-3d ",a[i]);
	}
    for(i=0;i<N/2;i++)
    {
        t=a[i];
        a[i]=a[N-1-i];
        a[N-1-i]=t;
    }
    printf("\n\n倒序后的数组:\n");
    for(i=0;i<N;i++)
	{
        printf("%-3d ",a[i]);
	}
    printf("\n\n");

    return 0;
}

程序运行结果:

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。
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。
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