八皇后问题1

//============================================================================
//题目:八皇后问题
//      在8*8的国际象棋上摆放8个皇后,其实不能相互攻击,
//      即任意两个皇后不得处在同一行、同一列或者同一条对角线
//思路:《剑指offer》思路,利用数组的特点,对数组全排列
//        定义一个数组data[8], 用0~7进行初始化,其中数组下标表示皇后所在的行,数组中存储的数字表示皇后所在的列
//        这样定义的数组可以确保任意两个皇后不同行、不同列.
//        然后对数组元素进行全排列,判断任意两个皇后是否在同一条对角线上:
//        正对角线:i-j==data[i]-data[j]; 副对角线:j-i==data[i]-data[j]
//
//============================================================================
#include<iostream>
using namespace std;
int sum = 0;

void Permutation(int data[],int begin)
{
	int length = 8;
	int flag = true; //是否符合条件的标记
	if (begin == (length-1)) //找到一个排列,判断是否符合条件
	{
		for (int i = 0;i < length; ++i)
		{
			for (int j = 0;j < length; ++j)
			{
				if (i != j)
				{
					if ((i - j) == (data[i] - data[j]) || (j - i) == (data[i] - data[j]))
					{
						flag = false;
						break;
					}

				}
			}
			if (flag == false)
				break;
		}
		if (flag == true)
		{
			++sum;
			for (int i = 0;i < length;++i) //打印符合条件的摆法
			{
				cout << data[i] <<" ";
			}
			cout << endl;
		}
			

	}
	else //对数组进行全排列
	{
		for (int j = begin;j < length;++j)
		{
			int temp = data[begin];
			data[begin] = data[j];
			data[j] = temp;

			Permutation(data, begin + 1);

			temp = data[begin];
			data[begin] = data[j];
			data[j] = temp;


		}
	}

}

int main()
{
	int data[8] = { 0,1,2,3,4,5,6,7 };
	Permutation(data, 0);
	cout << sum << endl; //输出符合条件的摆法


	system("pause");
	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