一起学C#(十三)

跳转语句

书本P45。

1. goto语句

2. break语句 

3. continue语句

一起看看这三个语句的用法:

using System;

namespace csdn.blog.areosea
{
  class JumpStatement
  {
    static public void Main()
    {

      while (true)  // 如果循环中的代码不设定退出条件,永远不会退出的循环,也叫死循环
      {

        Console.Write("输入字符:");  // 提示信息1

        NoInfo:  // 定义一个标签,不显示提示
        string s = Console.ReadLine();  // 接收键盘输入

        if (s == "c")  // 如果用户输入了c,直接开始一个新的接收循环
        {
          continue;  // continue后面的语句不执行了,所以输入c时,看不到提示信息2
        }

        if (s == "g")
        {
          goto NoInfo;  // 如果用户输入了g,跳转到定义好的标签,不显示后面的提示信息2,
                        // 连前面的提示信息1也不显示,直接接收键盘输入
        }

        Console.WriteLine("从键盘收到了:" + s + ",输入x结束\n");  // 提示信息2

        if (s == "x")  // 如果用户输入了x,则退出循环
        {
          break;
        }

      }

      Console.ReadKey();  // 等待用户按一个键结束运行
    }
  }

}

上面的例子演示了前三个语句的用法。

我们从键盘上依次输入a、c、a、g、a、x,看一下程序是如何运行的:

输入字符:a
从键盘收到了:a,输入x结束

输入字符:c
输入字符:a
从键盘收到了:a,输入x结束

输入字符:g
a
从键盘收到了:a,输入x结束

输入字符:x
从键盘收到了:x,输入x结束

第1个a,正常显示,我们看到了提示信息1和提示信息2。

c,执行了continue语句,没有显示提示信息2,就直接开始了新的循环。

第2个a,正常显示,我们看到了提示信息1和提示信息2。

g,执行了“goto NoInfo;”语句,直接跳到了接收键盘收入的语句,没有显示提示信息2,也没有显示提示信息1。

第3个a,只显示了提示信息2。

x,正常显示,执行break语句退出循环,执行循环后面的“Console.ReadKey();”,等待用户按任意键后结束。

 

4. return语句

以后再学。

 

深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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