实现简单的stl中的Queue

 

#include  < iostream >
using   namespace  std;

template 
< class  Type >
class  QueueItem
{
public:
     QueueItem(
const Type&);
     
const Type& getData();
     QueueItem
* getNext();
     
void setNext(QueueItem*);
private:
    
const Type &data;
    QueueItem 
*next;
}
;

template 
< class  Type >
QueueItem
< Type > ::QueueItem( const  Type  & a):data(a)
{
    next 
= NULL;
}


template 
< class  Type >
const  Type &  QueueItem < Type > ::getData()
{
    
return data;
}


template 
< class  Type >
QueueItem
< Type >*  QueueItem < Type > ::getNext()
{
    
return next;
}


template 
< class  Type >
void  QueueItem < Type > ::setNext(QueueItem < Type >   * a)
{
    next 
= a;
}




template 
< class  Type >
class  Queue
{
public:
    Queue();
    
bool isEmpty();
    
const Type& remove();
    
void add(const Type&);
private:
    QueueItem
<Type> *front;
    QueueItem
<Type> *end;
}
;



template 
< class  Type >
Queue
< Type > ::Queue()
{
    front 
= NULL;
    end 
= NULL;
}


template 
< class  Type >
bool  Queue < Type > ::isEmpty()
{
    
return ( front == end && front == NULL );
}


template 
< class  Type >
const  Type &  Queue < Type > ::remove()
{
    
const Type &temp = front->getData();
    QueueItem
<Type> *qu=front;
    front 
= front->getNext();
    
if(front == NULL)
    
{
        end 
= NULL;
    }

    delete qu;
    
return temp;
}


template 
< class  Type >
void  Queue < Type > ::add( const  Type  & data)
{
    QueueItem
<Type> *qu=new QueueItem<Type>(data);
    
if( front == end && front == NULL )
    
{
        front 
= qu;
        end 
= qu;
    }

    
else
    
{
        end
->setNext(qu);
        end 
= qu;
    }

}



int  main()
{
    cout
<<"hehe ,you are"<<endl;
    Queue
<int> qu;
    qu.add(
30);
    qu.add(
60);
    qu.add(
90);
    qu.add(
190);
    qu.add(
290);
    qu.add(
390);
    qu.add(
30);
    qu.add(
60);
    qu.add(
90);
    qu.add(
190);
    qu.add(
290);
    qu.add(
390);
    
while(!qu.isEmpty())
    
{
        cout
<<qu.remove()<<",";
    }

    cout
<<endl;
    
return 1;
}
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