第二周作业

一、本周完成的作业:

基础作业

请在第一周作业的基础上,继续完成:找出给定的文件中数组的最大值及其对应的最小下标(下标从0开始)。并将最大值和对应的最小下标数值写入文件。
输入:
请建立以自己英文名字命名的txt文件,并输入数组元素数值,元素值之间用逗号分隔。
输出
在不删除原有文件内容的情况下,将最大值和对应的最小下标数值写入文件。

1.实验代码

#include<stdio.h> 
#include<stdlib.h>
int main()
{
    FILE *fp;                //定义文件指针
    int a[10];
    int i, t=0, m=0;
    if((fp=fopen("F:\\yangzixin.txt","r+"))==NULL)                  //打开文件
    {
        printf("File open error!\n");
        exit(0);
    }
    for(i = 0; i < 6; i++)
    {
        fscanf(fp,"%d%c", &a[i]);              //从文件读入数据保存
        printf("%d%c ", a[i]);
    }
    t = a[0];
    for(i = 0; i < 6; i++)
        {        
             if(a[i] > t)
             {
                  t = a[i];
                  m = i;
              }        
        }
    printf("\n%d %d", t, m);
    fprintf(fp,"\n%d %d", t, m);                  //在文件中输出最大值和最小下标
    if(fclose(fp))                    //关闭文件
    {
        printf("Can not close the file!\n");
        exit(0);
    }
    return 0;
}

2.设计思路

1580517-20190309013928049-786161236.png

3.本题调试过程碰到问题及解决方法

1580517-20190309020752592-670285472.png
1580517-20190309020826679-979910123.png
1580517-20190309020851858-477804396.png

问题1:首先完全按照书上来的,没弄清楚要从文件中怎么保存数据到屏幕上,还有文件打开错误的原因
解决方法:第一次代码编译出来什么都没有,之后又认真看了书上内容,改正了那一个错误,还有在代码中要显示“/”要输入两个

问题2:按书上用的“r”,但是要用的不是“r”
解决方法:自己上百度查了“r”和“r+”的区别,发现“r”是只读,“r+”是读和写,我们的代码里还需要写,所以我们不能用“r”,只能用“r+”和“a+”

问题3:开始照书上的写好之后,然后直接把上周代码运用进去,编译出现一大串数字
解决方法:仔细检查,发现没将变量n改成数字6,导致编译错误

问题4:不知道怎么将文件中的逗号引入,在屏幕上怎么显示
解决方法:试了多种方法最后在输入输出数据时后面加上一个字符,编译运行出来才行。

4.运行结果截图

1580517-20190309015403275-1716441271.png

这次主要学习到了fscanf和fprintf的用法,这次的作业需要注意注意很多细节,比如转行等,还有注意exit(0)和exit(1)的用法。

二、学习进度条

1581679-20190309190020829-697279628.jpg

三、学习感悟

本周主要学习了文件,fopen、fclose、fscanf和fprintf等函数的使用,分别代表打开文件、关闭文件、从文件读入数据保存变量、在文件中显示要输出的值,我觉得这是一个比较难弄懂的重点,另外初步了解了指针,如FILE *fp,这是定义文件指针,看起来要弄懂还是比较费劲的,所以这一章的内容还要好好学习。我觉得听课的时候我听得没有太懂,但是后来下课后自己看着书这题目,感觉没有想象中的那么难,所以在任何时候都不能懒惰,不能认为它难了就不去碰它。

转载于:https://www.cnblogs.com/xin010112/p/10492387.html

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