锐格NEFU C语言指针和函数5883

问题描述:用申请的动态开辟的内存空间存放n(0<=n<=20)个字符串,每个字符串的长度不超过50,将其保存,后排序输出。
要求:每个字符串占用的空间是用动态开辟的内存分配的。字符串排序和输出用自定义函数实现。
提示:可以用指针数组指向n个字符串。
输入数据有多组,每组第一行是一个整数n(0<=n<=20),接下来是n行,每行是一个长度不超过50的字符串。
输出排好序的字符串。每个字符串一行。
代码一:

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
void sort1(char **pp,int n)
{
    int i,j;
	for(i=0;i<n-1;i++)
	{
		for(j=0;j<n-1-i;j++)
		{
			if(strcmp(*(pp+j),*(pp+1+j))>0)
			{
				char*temp=(char*)malloc(50*sizeof(char));
				strcpy(temp,*(pp+j));
				strcpy(*(pp+j),*(pp+1+j));
				strcpy(*(pp+1+j),temp);
			 } 
		}
	}
}
void output1(char *p[],int n)
{
 int i;
 for(i=0;i<n;i++)
    printf("%s\n",p[i]);
}
int main()
{
    void sort1(char **pp,int n);
    void output1(char *p[],int n);
    char str[50],*cp[20];
    int n,l,i;
    while(scanf("%d\n",&n)!=EOF)
    {
          for(i=0;i<n;i++)
          {
              gets(str);
             //start
             cp[i]=(char*)malloc(strlen(str)*sizeof(char));
             strcpy(cp[i],str);
             //end
           }
           sort1(cp,n);
           output1(cp,n);
    }
    return 0;
}

代码二:

#include<stdio.h>
#include<stdlib.h>
void compare(char **p,int n)
{
	int i,j;
	for(i=0;i<n-1;i++)
	{
		for(j=0;j<n-1-i;j++)
		{
			if(strcmp(*(p+j),*(p+1+j))>0)
			{
				char *temp=*(p+j);
				*(p+j)=*(p+1+j);
				*(p+1+j)=temp;
			 } 
		}
	}
	for(i=0;i<n;i++)
	{
		printf("%s\n",*(p+i));
	}
}
int main()
{
	int i,j,n;
	char **str;//定义一个指向指针数据的指针 
	str=(char**)malloc(20*sizeof(char*));
	for(i=0;i<20;i++)
	   str[i]=(char*)malloc(50*sizeof(char));
	while(scanf("%d",&n)!=-1)
	{
		for(i=0;i<n;i++)
		   scanf("%s",*(str+i));
		compare(str,n);
	}
	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