PATbasic1004. 成绩排名 (20)待改正

1004. 成绩排名 (20)

时间限制

400 ms

内存限制

65536 kB

代码长度限制

8000 B

判题程序

Standard

作者

CHEN, Yue

读入n名学生的姓名、学号、成绩,分别输出成绩最高和成绩最低学生的姓名和学号。

输入格式:每个测试输入包含1个测试用例,格式为

  第1行:正整数n
  第2行:第1个学生的姓名 学号 成绩
  第3行:第2个学生的姓名 学号 成绩
  ... ... ...
  第n+1行:第n个学生的姓名 学号 成绩

其中姓名和学号均为不超过10个字符的字符串,成绩为0到100之间的一个整数,这里保证在一组测试用例中没有两个学生的成绩是相同的。

 

输出格式:对每个测试用例输出2行,第1行是成绩最高学生的姓名和学号,第2行是成绩最低学生的姓名和学号,字符串间有1空格。

输入样例:

3
Joe Math990112 89
Mike CS991301 100
Mary EE990830 95

输出样例:

Mike CS991301
Joe Math990112

提交代

一位同学正确的代码

 

#include<stdio.h>
#include<string.h>
struct Student
{
    char name[11];
    char number[11];
    int score;
  
};
int main()
{
struct  Student student[10000];
    int i,max,min,maxp,minp,n;
    scanf("%d",&n);
    for(i=0;i<n;i++)
    {
        scanf("%s",&student[i].name);
        scanf("%s",&student[i].number);
        scanf("%d",&student[i].score);
    }
    max=min=student[0].score;
    maxp=minp=0;
    for ( i = 0; i < n; i++)
    {
        if(student[i].score>max){max=student[i].score;maxp=i;}
        if(student[i].score<min){min=student[i].score;minp=i;}
  
    }
     printf("%s %s\n", student[maxp].name,student[maxp].number);
     printf("%s %s", student[minp].name,student[minp].number);
  
    return 0;
}

 

我的输出是对的可就是部分正确的代码

 

#include<stdio.h>
#include<string.h>
//我知道可以计算最大最小,但就想试试排序,然后不知道哪里出现问题了
struct list 
{
	char name[11];
	char  number[11];//留下\0的空间 
	int grade;
};

int main()
{
	struct  list student[10000];
	struct  list  temp;
	int i,n,j,k;
	scanf("%d\n",&n);
	for(i=0;i<n;i++)
    {
        scanf("%s",&student[i].name);
        scanf("%s",&student[i].number);
        scanf("%d",&student[i].grade);
    }
	for(j=0;j<n;j++)//冒泡法 
	 
		for(k=0;k<n-k;k++)//很好玩输成n-j反而没有正确输出了(xiaoku)
			 if(student[k].grade>student[k+1].grade	)
		{
				temp=student[k];	
				student[k]=student[k+1];
				student[k+1]=temp	;//对结构直接排序 
		}	
  
	  
	 printf("%s %s\n", student[n-1].name,student[n-1].number);//注意应该为n-1 
		
		printf("%s %s\n", student[0].name,student[0].number);
	
		 
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
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