分支与循环

分支与循环

使用if的一写小问题

#include<stdio.h>//分支与循环
int main()
{
 int a = 0;
 int b = 2;
 if (a == 1)
  if (b == 2)
   printf("hehe\n");
  else//else只会与最紧未匹配的if匹配与  是否对其哪个if无关 
   printf("haha\n");
 return 0;
}//不会输出haha

第一个if为假时,就会直接return 0;
想输出haha,则做以下修改:

#include<stdio.h>
int main()
{
 int a = 0;
 int b = 2;
 if (a == 1)
 {
  if (b == 2)
   printf("hehe\n");
 }
  else
   printf("haha\n");
 return 0;//这就可以输出haha了

一些初学者的小问题:

//代码1
if (condition)
{
 return x;
}
return y;//注意:为真,则只返回x,不会反回y;为假,则返回y

这样就可以了:

//代码2
if (condition)
{
 return x;
}
else
{
 return y;
}//这个好理解吧

养成写if的好习惯

#include<stdio.h>
int main()
{
 int num = 4;
 if (num = 5)//注意:=是赋值,==才是判断。
 {
  printf("hehe\n");
 }
 return 0;
}

为了防止把“==”写成“=”,我们养成这个写if的习惯:

#include<stdio.h>
int main()
{
 int num = 4;
 if (5 == num)//这样写就可以避免写错,“5=num”的话代码会报错,“5==num”和“num==5”一样
 {
  printf("hehe\n");
 }
 return 0;
}

小练习

1.判断一个数是否为奇数:

#include<stdio.h>
int main()
int a;
 scanf_s("%d", &a);
 if (a > 0)
 {
  while (a > 1)
  {
   a = a - 2;   
  }
  if (a == 0)
   printf("a为偶数\n");
  else
   printf("a为奇数\n");
 }
 else if(a==0)
 {
  printf("a既不是奇数也不是偶数\n");
 }
 else
 {while (a < 0)
  {
   a = a + 2;
  }
  if (a == 0)
   printf("a是偶数\n");
  else
   printf("a是奇数\n");
   }
 return 0;
}

输出1-100之间的奇数:

#include<stdio.h>
int main()
{
 int a=1;
 int b=0;
 while (a < 100)
 { 
  while (a > 1)
  {
   a = a - 2;
   b = b + 1;
   
  }
  if (0 == a)
  {
   a = a + 2 * b;
   a = a + 1;
   b = 0;
  }
  else
  {
   a = a + 2 * b;
   b = 0;
   printf("%d\n", a);
   a = a + 1;
   
  }
 }
 
 return 0;
}
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 1
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