第二次上机实验报

目标:

1.进一步掌握简单C程序的编写和运行过程。

2.初步体验数据类型的作用。

任务 1:显示美元和人民币的汇率

实验内容:编写一个“显示美元和人民币的汇率”C 程序
实验目的:进一步掌握简单 C 程序的编写和运行的过程
说明:假设100 美元=621 人民币,程序显示100、200、300….1000 美元与人民币汇率表
要求:独立思考和编写

思路:

参考实验一中的例子,要将“摄氏与华氏”改为“美元与人民币”即“fahr,selsius”改为“dollar,yuan”,从100开始转换,一直到1000,每次增加100,这是一个重复的过程,所以用“while”引导一个循环,使程序简便。而人民币汇率约为6.21,应用公式“yuan=dollar*6.21”,最后输出人民币和美元的转换。在检测时,根据错误的所在,以及一些提示,修改代码,使其成功运行。

#include<stdio.h>
int main()
{
	int fahr,celsius;
	int lower,upper,step;
	lower=100;
	upper=1000;
	step=100;
	fahr=lower;
	printf("田华,120705119\n","");
	while(fahr<=upper){
		celsius=fahr*6.21;
		printf("%d\t%d\n",fahr,celsius);
		fahr=fahr+step;
	}
	return 0;
}


***********************************************************任务分割线**********************************************************

任务 2:了解 int 和 float 变量类型

实验内容:修改 ”华氏温度与摄氏温度对照表”

实验目的:了解“同一变量”定义不同数据类型,如何影响程序运行结果

#include<stdio.h>
int main()
{
	int f;
	int c;
	int lower=0;
	int upper=300;
	int step=20;
	f=lower;
	printf("田华,120705119\n","");
	while(f<=upper)
	{
		c=(5/9)*(f-32);
		printf("%d\t%d\n",f,c);
		f=f+step;
	}
			return 0;
		}


运行结果异常是因为:

根据运算公式,其结果不是整型,而代码中的输出数据类型为整型,两者矛盾,故而不能得到正常结果。

进行修改:

#include<stdio.h>
int main()
{
	float f;
	float c;

	float lower=0;
	float upper=300;
	float step=20;
	f=lower;

	printf("田华,120705119\n","");
	while(f<=upper)
	{
		c=(5.0/9.0)*(f-32.0);
		printf("%f\t%f\n",f,c);
		f=f+step;
	}
			return 0;
		}



总结:

对于这一次的上机实验,我觉得还行,在第一次的基础上,我能正常进行操作,顺利完成任务;并且很好的理解了两种数据类型,其不同的表达效果。还有,代码检测不能 将这些错误检查,需要自己在编程时注意。




  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 1
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