Bailian2717 基本数据类型【字符串匹配】

2717:基本数据类型
总时间限制: 1000ms 内存限制: 65536kB
描述
对一个完整的编译通过的 C/C++ 程序源代码文件,试判断其中使用了哪些基本数据类型。

基本数据类型包括:char、short、int、long、float、double。
输入
输入有多行,每行为长度不超过255个字符的源码文本。

注意,并非每行文本都对应与一条语句,有些语句可能占用多行;还有些语句可能在同一行上;还有些行可能是空行,不包含任何语句。

假设代码中没有注释。
输出
输出所有使用到的基本数据类型,每个占一行,如果使用到多个类型,则按从char、short、int、long、float到double的顺序输出。
样例输入

#include <stdio.h>

int a;
long b;


void main()
{
	scanf("%d%d", &a, &b);
	printf("%d", a + b);
}

样例输出
int
long
提示
通过gets(s)可读取每一行,读完最后一行再调用gets(s)时,返回值为NULL,可通过这一点判断输入结束。
来源
计算概论05-寒假练习

问题链接Bailian2717 基本数据类型
问题简述:(略)
问题分析:简单的字符串匹配和统计问题,不解释。
程序说明:(略)
参考链接:(略)
题记:(略)

AC的C++语言程序如下:

/* Bailian2717 基本数据类型 */

#include <bits/stdc++.h>

using namespace std;

string btype[] = {"char", "short", "int", "long", "float", "double"};
int cnt[6];

int main()
{
    memset(cnt, 0, sizeof cnt);

    string s;
    while (cin >> s)
        if (s == btype[0]) cnt[0]++;
        else if (s == btype[1]) cnt[1]++;
        else if (s == btype[2]) cnt[2]++;
        else if (s == btype[3]) cnt[3]++;
        else if (s == btype[4]) cnt[4]++;
        else if (s == btype[5]) cnt[5]++;

    for (int i = 0; i < 6; i++)
        if (cnt[i]) cout << btype[i] << endl;

    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