第七章作业

一、名词解释

函数模板:一个带类属参数的函数;

类模板:一个带类属参数的类;

模板函数:通过参数实例化可以再构造出具体的函数;

模板类:通过参数实例化可以再构造出具体的类;

 

    二、填空题

1)C++支持两种模板,一种是    函数模板       ,另一种是     类模板      。

2)关键字   template  是定义模板的关键字。

3)<模板参数表>中包含一个或多个用逗号分开的模板参数项,每项由保留字   class    或者    typename    开始。

4)重载函数模板便于定义  类属参数   或者函数参数的类型、个数不相同所进行的   类似  操作。

5)函数模板实例化时, 没有   普通传值参数的类型转换机制。

6)STL  提供的容器是常用数据结构 的    类模板     。

7)STL   容器类库中包含7种基本容器。它们可以分成两个组:   顺序容器   和    关联容器   。

8)STL    迭代器主要包括5中基本类别:   输入迭代器    、输出迭代器    、  前向迭代器   、双向迭代器    和   随机访问迭代器  。

 

三、选择题(至少选一个,可以多选)
 (1)关于函数模板,描述错误的是( A )

   A.函数模板必须由程序员实例化为可执行的模板函数

   B.函数模板的实例化由编辑器实现

   C.一个类定义中,只要有一个函数模板,则这个类是类模板

   D.类模板的成员雨数都是函数模板,类模板实例化后,成员函数也随之实例化

2)下列的模板说明中,正确的是(   A  )

     A.  template <typename T1,typename T2>               B. template <class T1,T2>

     C. template(classT1,classT2)                                        D. template (typenameT1, T2)
3)假设有函数模板定如下:
      template Ctypename TS
      Nax(T a.T b.T Sc)
      {c=a+ b;}
  下列选项正确的是(  A  B )

    A. float x,y;float z;                        B. int x,y,z;                   C. int x,y;float z;                  D.flat x;double y,z;

       Max(x,y,z);                                     Max(x,y,z);                     Max(x,y,z);                           Max(x,y,z);

4)建立类模板对象的实例化过程为(   C   )。
              A.基类——派生类                                                                   B.构造函数——对象
              C.模板类——对象                                                                   D.模板类——模板函数
(5)下面(  A B D  )是标准模板库中的主要组件。

        A.容器                     B.迭代器                     C.文件                      D.算法

 

四、判断题

(1)一个模板函数能够被相同函数名的另外模板函数重载。                                                                          (对)

(2)作为模板类型参数的关键字class,特别含义是“任何用户定义类的类型”。   (错)

(3)在类模板的<模板参数表>中,必须至少有一个类参数。                                                                        (对)

(4)在类模板的<模板参数表>中,可以使用函数类型参数,该参数与普通函数参数的用法和功效完全相同。    (错)

(5)迭代器就是我们平时所用的指针。                                                                                                         (错)

 

五、程序设计题

(1)用函数模板实现求整数实数平方根的程序。

程序如下:

1. #include <iostream>  

2. #include <cmath>  

3. using  namespace std;  

4. template <typename T>  

5. T kaifang(T a)  

6. {  

7.     T c;  

8.     c=sqrt(a);  

9.     return c;  

10. }  

11. int main( )  

12. {  

13.     int x=kaifang(9);  

14.     cout<<"整数9的平方根为:"<<x<<endl;  

15.     double y=kaifang(2.25);  

16.     cout<<"实数2.25的平方根为:" <<y<<endl;  

17.     return 0;  

18. }  

运行结果:

 

 

(2)设计一个类模板,然后将该类模板实例化为整数型和字符观类。利用类模板的成员函数为其数据成员赋值,并显示所赋给的值。

程序如下:

1. #include <iostream>  

2. using  namespace std;  

3. template <typename numtype>  

4. class Classtemple  

5. {  

6.     public:  

7.         void setdata(numtype x, numtype y)  

8.         {  

9.             a=x;b=y;  

10.         }  

11.         void dispdata()  

12.         {  

13.             cout<<"first number is "<<a<<endl;  

14.             cout<<"second number is "<<b<<endl;  

15.         }  

16.     private:  

17.         numtype a,b;  

18. };  

19. int main( )  

20. {  

21.     Classtemple<int> intobj;  

22.     intobj.setdata(52,27);  

23.     cout<<"整数类的两个数据成员为:"<<endl;  

24.     intobj.dispdata();  

25.     Classtemple<char> charobj;  

26.     charobj.setdata('5','4');  

27.     cout<<"字符类的两个数据成员为:"<<endl;  

28.     charobj.dispdata();  

29.     return 0;  

30. }  

 

运行结果:

 

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