acm近期所学总结

       在假期里由于自己懒加上家里搬家原因,在家里并没有很好的预习一些知识。上学期选课的时候也没有选上,这学期终于选到了这门课,但是那时候老师已经落下两节课了,还是很难过的,所以我会慢慢补上来的。学习了stl,我认为这个不是只记住结构用法就行的,一定要有自己的思想,现在我看到一些题目根本想不起来怎么用,还是需要多看多学多练,不能怕麻烦。下面有几种STL容器,栈(stack)是先进后出的数据结构,只有一个出口,只能对顶部元素进行操作。 头文件:#include stack 定义方式:stack<data_type> s; s.caozuo 作用: empty():返回布尔型,判断栈内是否为空 size():返回栈内元素个数 top():返回顶端元素值 pop():清除顶端元素 push(data_type a) -- 向栈压入一个元素a(s.push(a); ) 例子: #include <iostream> #include <stack> #include <algorithm> using namespace std; int main(){ stack<int>s; s.push(1); s.push(2); s.push(3); cout << "Top: " << s.top() << endl; cout << "Size: " << s.size() << endl; s.pop(); cout << "Size: " << s.size() << endl; if(s.empty()){ cout << "Is empty" << endl; } else{ cout << "Is not empty" << endl; } return 0; } 队列(queue) 是先进先出的数据结构 头文件: #include <queue> 定义:queue <data_type> queue_name; 如:queue <int> q; 操作: empty() -- 返回bool型,表示queue是否为空 (q.empty() ) size() -- 返回queue内元素个数 (q.size() ) front() -- 返回queue内的下一个元素 (q.front() ) back() -- 返回queue内的最后一个元素(q.back() ) pop() -- 移除queue中的一个元素(q.pop(); ) push(data_type a) -- 将一个元素a置入queue中(q.push(a); ) vector: 头文件: #include vector 定义:vector <data_type> vector_name; 如:vector v; 操作: empty() – 返回bool型,表示vector是否为空 (v.empty() ) size() – 返回vector内元素个数 (v.size() ) push_back(data_type a) 将元素a插入最尾端 pop_back() 将最尾端元素删除 v[i] 类似数组取第i个位置的元素(v[0] )。 set 和 multiset会根据特定的排序准则,自动将元素排序,两者的不同之处在于multiset可以允许元素重复而set不允许元素重复 头文件: #include 定义:set <data_type> set_name; 如:set s;//默认由小到大排序 如果想按照自己的方式排序,可以重载小于号。 struct new_type{ int x, y; bool operator < (const new_type &a)const{ if(x != a.x) return x < a.x; return y < a.y; } } set <new_type> s; 操作: s.insert(elem) – 安插一个elem副本,返回新元素位置。 s.erase(elem) – 移除与elem元素相等的所有元素,返回被移除 的元素个数。 s.erase(pos) – 移除迭代器pos所指位置上的元素,无返回值。 s.clear() – 移除全部元素,将整个容器清空。 迭代器举例: multiset :: iterator pos; for(pos = s.begin(); pos != s.end(); pos++) … … #include #include #include using namespace std; int main(){ sets1; set::iterator iter1; s1.insert(“abc”); s1.insert(“abc”); s1.insert(“abc”); s1.insert(“bca”); s1.insert(“aaa”); cout << “ITERATE:” << endl; for (iter1 = s1.begin(); iter1 != s1.end(); iter1++){ cout << (*iter1) << endl; } cout << “FIND:” << endl; iter1 = s1.find(“abc”); if(iter1 != s1.end()) { cout << *iter1 << endl; }else{ cout << “NOT FOUND” << endl; } return 0; } map和multimap: 所有元素都会根据元素的键值自动排序,map的所有元素都是pair,pair的第一个元素被视为键值,第二个元素为实值。map不允许两个元素有相同的键值,但multimap可以。 以上就是我最近学到的,真正自己写出来的并不多,大多都是借鉴课件上的,还是要多看多学多练,否则我是学不好的,更不会得到老师的认可。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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