C语言----函数和应用

         区分:函数定义--->函数原型说明--->函数调用

         函数的嵌套:一个函数调用另一个函数,称为函数的嵌套调用;

         函数的递归调用:一个函数直接或间接的调用自己,成为函数的递归调用;

         ========================================================================================

几道小的测试题:

1、编写一个程序,计算x的n次方;

#include<stdio.h>

int nci(int x,int n)
{
    int i;
    int a=1;
    for(i=0;i<n;i++)
        a=a*x;
    return a;

}
int main(){
    int x,n,s;
    s=nci(2,3);
    printf("x de n ci fang is %d\n",s);
}

2、编写一个函数,计算对角线上元素的和;

#include<stdio.h>
int xn(int a[3][3])
{
    int s=0,i,j;
    for(i=0;i<3;i++){
        for(j=0;j<3;j++)
            if(i==j)
                s=s+a[i][j];
                }
                return s;

}

int main(){
    int sum;
    int a[3][3]={{1,2,3},{4,5,6 },{7,8,9}};
    sum = xn(a);
    printf("sum is %d",sum);
}

3、编写一个函数,int invert(char str[ ]),将一个字符串的内容颠倒起来;

#include<stdio.h>
int invert(char str[]){
    int i;
    int temp;
    int n=strlen(str);
    for(i=0;i<((n+1)/2);i++){
        temp=str[i];
        str[i]=str[n-i-1];
        str[n-i-1]=temp;
}
puts(str);

}

int main(){
    char str[100];
    gets(str);
    invert(str);
}

 

4、编写函数,删除字符串从指定位置m开始的n个字符。若删除成功,函数范围被删除字符串,否则,返回空的值;

#include<stdio.h>
int delete(char str[],int m,int n)
{
    int i;
    int u;
    u=strlen(str);

    for(i=0;i<n;i++)
    {
        str[m+i-1]=str[m+i+n-1];
    }
    str[u-n]='\0';
    puts(str);
}

int main(){
    int m=3;
    int n=4;
    char str[100];
    gets(str);
    delete(str,m,n);

}

 

5、编写一个程序,从键盘输入的字符串,删去非数字字符,转换成整型数输出;

#include<stdio.h>
#include<string.h>
 int delete_change(char str[])
 {
     int i,res=0;
     for(i=0;str[i]!='\n';i++){
     if(str[i]>='0'&&str[i]<='9')
        res = res*10+str[i]-'0';
     }
    return res;
 }

int main(){
    int i=0;
    char str[100];
    while(1){
       str[i]= getchar();
        if(str[i]=='\n')
        break;
        else i++;
    }
    printf("delete_change number is %d", delete_change(str));
    return 0;
}

 

6、用递归的方法编写一个函数sum(int n),求1~n的累加和;

way1:非递归方式:

#include<stdio.h>
#include<string.h>
int add(int n){
    int sum=0;
    int i;
    for(i=1;i<=n;i++)
    {
        sum=sum+i;
    }
    return sum;
}

int main(){
    int x;
    x = 5;
    printf("1~n add is %d",add(x));
}

way2:递归方式

#include<stdio.h>
#include<string.h>
int add(int n){
    int sum=0;
    if(n<=1)
        sum=1;
    else
        sum=n+add(n-1);

    return sum;
}

int main(){
    int x;
    x = 4;
    printf("1~n add is %d",add(x));
}

7、编写一个程序,测试字符串s1中第一次出现的字符串s2中字符的位置,要求定义一个函数,返回出现这个字符的位置;若s1中不含s2的字符,则返回-1。(待定)

 

#include<stdio.h>
#include<string.h>
int length(char str1[],char str2[]){
    int i,j;
    int n;
    n=strlen(str1);
    for(i=0;str2[i];i++)
        for(j=0;str1[i+j]==str2[j];j++)
            if(j+1==n)
                return i+1;

return -1;
}

int main(){
    char s1[100];
    char s2[100];
    int len;
    printf("str1 is :\n");
    scanf("%s",s1);
    printf("str2 is :\n");
    scanf("%s",s2);
    len = length(s1,s2);
    printf("str2 in str1 location is %d:\n",len);


}

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