运算符

算术运算符:+ - * / %

%就是取余数,取模运算符的运算结果与模符号前面数的符号相同,如:

-8%5=-3;

8%-5=3;

-8%-5=-3;


赋值运算符:


增量,减量运算符: ++ --    i++ ,表示先进行其他运算,再自加1++i ,表示先自加,再运算,i----i 同理。。。  i=i+5 ,可以写成:i+=5 ,同理,i-=5 ,  i/=5,  i*=5, i%=5;


系运算符: < >  <=  >=  ==  !=  这五种。

逻辑运算符: &&  ||   !    主要是这3 种。  &&|| 均是短路符。在&& 中,若表达式1 为假,那么不执行表达式2 ,在|| 中,若表达式1 为真,则不执行表达式2. 


条件运算符: 三目运算符 表达式1 ?表达式2 :表达式3  如果表达式1 为真,那么运行表达式2 ,若否,则表达式3 是最终结果。 

强制运算符:  比如要将a 前行转换成char  写成(chara

特殊运算符:& 取址运算符   sizeof 长度运算符 


位运算符:左移<<  右移>>  无符号右移>>>  位与&  位或|  取反~  异或^

<<   向左移(m<<n   等同于 m * 2n 次方)

>>   向右移(m>>n   等同于 m / 2n 次方)

^   异  或(2 进制数相同位比较,相同为0 ,不同为1 )n^n=0  n^0=n

       不用第三方变量和“+”“-”“*”“、”运算符交换两个变量的值。

如:  p = 10;

q= 8;

p = p ^ q;

q = p ^ q;

p = p ^ q;



 

 

 

今天写到这里   幸亏没有开班会   不然写不完。休息一下...

 

周末回乡下了一趟,春天花儿开了,真爽,还可以挖拆儿根。

想起一首歌《那些花儿》^_^...








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