第十五周 字典的应用

01.01./*  
02.02.* 程序的版权和版本声明部分  
03.03.* Copyright (c)2013, 烟台大学计算机学院学生  
04.04.* All rightsreserved.  
05.05.* 文件名称: array.cpp  
06.06.* 作    者:  
07.07.* 完成日期:  2013年 12 月  6 日  
08.08.* 版本号: v1.0  
09.09.* 输入描述:无  
10.10.* 问题描述:自己做字典   
11.11.*/  
#include <fstream>
#include<iostream>
#include<cstdlib>
#include<string>
using namespace std;
string e[8000],c[8000],key;
int i=0;
int search(int low, int high, string k);

int main( )
{
 ifstream infile("dictionary.txt",ios::in);
 if(!infile)
 {
  cerr<<"open error!"<<endl;
  exit(1);
 }
 while (infile>>e[i]>>c[i])
 {
  ++i;
 }
 infile.close();
 do
 {
  cout<<"请输入要查的词(123结束):";
  cin>>key;
  if (key=="123")
   break;
  else
  {
   int low=0,high=i-1;
   int answer=search(low, high, key);
   if (answer==-7)
    cout<<"对不起 找不到"<<endl;
   else
    cout<<key<<"的中文意思是:"<<c[answer]<<endl;
  }
 }
 while(1);
 {cout<<"欢迎再次使用!"<<endl;}
 return 0;
}
int search(int low,int high,string k)
{
 int mid;
 while(low<=high)
 {
  mid=(low+high) / 2;
  if(e[mid]==k)
  {
   return mid;
  }
  if(e[mid]>k)
   high=mid-1;
  else
   low=mid+1;
 }
 return -7;
}

运行结果
心得体会
这个题目对于上周没有完成文件操作初体验的我带来的很大的困难啊 ! 实在是很不应该啊 , 上周偷懒的时间这一下子全都补回来了,心里面那个悔啊。上面那个题目是我去网上找的一个差不多的(其实修改了好久)才做出来的,但依然感觉十分的不顺手,主要是对于文件的输入和输出不能很好的掌握,如果让我自己独立的写这个程序,我真不一定能够写出来啊!唉...还能说什么呢 菜鸟加油吧 以后别偷懒啊...(P.S虽然是借鉴的 但还是厚颜无耻的打上了原创,嘿嘿 原谅自己一次吧)
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 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