第三周作业

要求二

题目一

1. 实验代码

#include<stdio.h>
int main()
{
  int a,b;
  scanf("%d %d",&a,&b);
  printf("%d",a*b);
  return 0;
}

  

2.设计思路

第一步:输入基本框架

第二步:定义题目中所需的两个变量

第三步:定义一个算法

第三步:输出该算法的结果

3.本题调试过程碰到问题及解决办法

截图:

这个我检查了几遍也没找到错误原因,把代码删掉重新输入一遍之后输出结果就正确了。。。

正确截图:

 题目二

1.实验代码

#include<stdio.h>
int main()
{
  int a,b,c,d;
  int sum;
  float average;
  scanf("%d %d %d %d",&a,&b,&c,&d);
  sum=a+b+c+d;
  average=(float)sum/4;
  printf("Sum = %d; Average = %.1f",sum,average);
  return 0;
}

2.设计思路

第一步:打出框架
第二步:找到问题中所需的变量类型float和sum,与四个变量a,b,c,d
第三步:输入题目要求的公式(a+b+c+d)/4,用到一个求和算法一个求平均值算法
第四步:算出来四个变量的和,将四个变量的和除以4得到平均值,输出

3.本题调试过程碰到问题及解决方法

 这道题之前做过类似的,内容大同小异,没有出现什么问题。

题目三

1.实验代码

#include <stdio.h>
int main()
{
    int a;
    float b,c;
    scanf("%d",&a);
    b=(a-100)*0.9;
    c=b*2;
    printf("%.1f",c);
    return 0;
}

2.设计思路
第一步:输入框架
第二步:找到题目要求的变量
第三步:输入应有的算法,公式
第四步:把要求的变量打到输出框里,保留一位小数

3.本题调试过程中碰到的问题及解决方法

1 错误提示截图:

2 碰到问题如何解决:
忘记了保留两位小数是用%0.1f,自己打的是&0.1f,检查时自己没有发现,在同学帮助下改正了错误

4.运行结果截图

 题目四

1.实验代码

#include <stdio.h>
int main()
{
  int a,b,c,d;
  scanf("%d",&a);
  b=a/100;
  c=a/10%10;
  d=a%10;
  printf("%d,%d,%d",b,c,d);
  return 0;
}

2.设计思路
第一步:打出框架
第二步:打出所需类型变量
第三步:输入变量符号
第四步:计算出所需符号

3.本题调试过程中碰到的问题及解决方法:

双引号和逗号的前后位置反了,改正后得到了正确答案,但我个人对第四题这个类型的理解不到位,这种类型还需要多练习。

正确截图:

 PTA提交截图:

4 遇到问题及解决方法:

感觉自己对编程的认识不够,还是理解不了很多东西,对自己所学的东西认知还是停留在表面。
在这次PTA作业中感觉自己对很多知识的了解只限于死记硬背,希望在以后的学习过程中能尽快跟上老师的节奏。

5.我评论同学博客的链接:

 http://www.cnblogs.com/wq970209/p/7680239.html

 http://www.cnblogs.com/19991001lmx/p/7694895.html

 http://www.cnblogs.com/123456hjx/p/7684532.html

6.折线及表格:

 

转载于:https://www.cnblogs.com/2445580912lyh/p/7696464.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
你好!改善深层神经网络的方法有很多,以下是一些常见的方法: 1. 使用更好的激活函数:传统的激活函数如Sigmoid、tanh等可能存在梯度消失或爆炸的问题。可以尝试使用ReLU、Leaky ReLU、ELU等激活函数,以减轻这些问题。 2. 使用批标准化(Batch Normalization):批标准化对网络的输入进行标准化,有助于加快网络的训练速度,并且可以缓解梯度问题,使得更深层的网络也能够训练得更好。 3. 使用残差连接(Residual Connections):残差连接可以帮助信息在网络中更好地流动,从而减轻梯度消失的问题。通过将某些层的输出与输入相加,可以使得网络更易于训练。 4. 使用更好的优化算法:传统的梯度下降算法如随机梯度下降(SGD)可能存在训练速度慢、易陷入局部最优等问题。可以尝试使用更高级的优化算法如Adam、RMSprop等,以加快模型的收敛速度。 5. 添加正则化:过拟合是深层神经网络常见的问题之一。可以通过添加正则化项如L1正则化、L2正则化等来限制模型的复杂度,防止过拟合的发生。 6. 数据增强:通过对训练数据进行一些随机的变换,如平移、旋转、缩放等,可以增加模型的泛化能力,防止过拟合。 这些方法只是改善深层神经网络的一部分,具体的选择和调整需要根据具体问题和数据集来进行。希望对你有所帮助!
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