第二周项目2程序的多文件组成

/*  
*Copyright (c) 2014,烟台大学计算机学院  
*All right reserved.  
*文件名称:程序的多文件组成.cpp  
*作者:彭子竹  
*完成日期:2015年9月14日  
*版本号:v1.0  
*  
*问题描述:  学习数据结构,目标就是要编制出有相当规模的程序的。将所有 
 的代码放在一个文件中的做法,不能适用现阶段的需求了。通过 
 这个项目,确认有能力用多文件组织程序。方便以后各章,我们 
 就某一数据结构定义算法库,并能引用算法库进行实践。 

*程序输入:无 
*程序输出:学生成绩 
*/  


结构体与函数声明

#include <stdio.h>   
#define MaxStud 50      //学生人数最多为50   
#define MaxCour 300     //学生成绩记录数最多为50*6     
double studavg(struct stud2 s2[],int m,int i);<span style="white-space:pre">      </span>       //求学号为i的学生的平均分   
double couravg(struct stud2 s2[],int m,int i);<span style="white-space:pre">      </span>       //求编号为i的课程的平均分   
void allavg(struct stud1 s1[],int n,struct stud2 s2[],int m);  //求学生平均分和课程平均分   
  
struct stud1  
{  
    int no;         //学号   
    char name[10];  //姓名   
    int bno;        //班号   
};  
struct stud2  
{  
    int no;         //学号   
    int cno;        //课程编号   
    int deg;        //分数   
};  

在头文件里添加一个#include“tou.h”

#include"tou.h"   
int main()  
{  
    int n=7;        //学生记录人数   
    int m=21;       //学生成绩记录数   
    struct stud1 s1[MaxStud]=  
    {  
        {1,"张斌",9901},  
        {8,"刘丽",9902},  
        {34,"李英",9901},  
       {20,"陈华",9902},  
        {12,"王奇",9901},  
        {26,"董强",9902},  
       {5,"王萍",9901}  
    };  
    struct stud2 s2[MaxCour]=   //规定课程的编号从1到6,同一学生成绩记录连续存放   
    {  
        {1,1,67},  
       {1,4,65},  
       {8,1,98},  
       {8,3,90},  
       {8,6,67},  
        {34,2,56},  
        {34,4,65},  
        {34,6,77},  
        {20,1,68},  
        {20,2,92},  
        {20,3,64},  
       {12,4,76},  
        {12,5,75},  
		{12,6,78},  
        {26,1,67},  
       {26,5,78},  
        {26,6,62},  
        {5,1,94},  
        {5,2,92},  
        {5,6,89}  
    };  
    allavg(s1,n,s2,m);  
    return 0;  
} 


调用各个功能函数,还要添加#include"tou.h"   头文件

#include"tou.h"   
double studavg(struct stud2 s2[],int m,int i)   //求学号为i的学生的平均分   
{  
    int j,n=0;              //n为学号为i的学生选学课程数   
    double sum=0;           //学号为i的学生总分   
    for (j=0; j<m; j++)  
        if (s2[j].no==i)    //学号为i时统计   
        {  
            n++;  
            sum+=s2[j].deg;  
        }  
    return(sum/n);  
}  
double couravg(struct stud2 s2[],int m,int i)   //求编号为i的课程的平均分   
{  
    int j,n=0;              //n为编号为i的课程选修人数   
    double sum=0;           //编号为i的课程总分   
    for (j=0; j<m; j++)  
    {  
		        if (s2[j].cno==i)   //课程编号为i时统计   
        {  
            n++;  
            sum+=s2[j].deg;  
        }  
    }  
    return(sum/n);  
}  
void allavg(struct stud1 s1[],int n,struct stud2 s2[],int m)    //求学生平均分和课程平均分   
{  
    int i,j;  
    printf("学生平均分:\n");  
    printf("  学号     姓名 平均分\n");  
    i=0;  
   while (i<n)  
   {  
        j=s1[i].no;  
        printf("%4d %10s %g\n",s1[i].no,s1[i].name,studavg(s2,m,j));  
        i++;  
    }  
    printf("课程平均分:\n");  
    for (i=1; i<=6; i++)  
        printf(" 课程%d:%g\n",i,couravg(s2,m,i));  
}  


运行结果:

知识点总结:

         这个项目锻炼了我们对多文件的应用能力,熟悉如何分割主函数,让多文件分工。

学习心得:

         说实话,之前对这个真的不太会,通过这个项目我学会了对程序多文件处理,以后实际的应用会方便许多。

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