实验8 数组2

1.程序调试

程序说明:
统计和输出一次考试中的最高分、最低分、平均分,以及在90~100、 80~89、 70~79、 60~69和60分以下各分数段的人数。

调试前:

 

#include <stdio.h>
#define MAX_N 100  //最大总人数
void main()                                     
{
    int n;                                        //总人数
    int i;                                        //循环变量
    float Mark[MAX_N];                            //各人成绩
    float MaxMark,MinMark,AvgMark;                //最高分 最低分 平均分    
    float sum;                                    //分数总和
    int Num90=0,Num80=0,Num70=0,Num60=0,Num0=0; //分数段
    printf("请输入总人数n=");
    scanf("%d",&n);
    for(i = 0; i < n; i++)
    {
        printf("Mark[%d]=", i);
        scanf("%f", &Mark[i]);
    }
    for(i = 0; i < n; i++)
    {
        sum = sum + Mark[1];
        if(Mark[i] > MaxMark)
            MaxMark = Mark[i];
        if(Mark[i] < MinMark)
            MinMark = Mark[i];
        if(Mark[i] >= 90)
            Num90++;
        else if(Mark[i] >= 70)
            Num70++;
        else if(Mark[i] >= 60)
            Num60++;
        else
            Num0++;
    }
    AvgMark = sum / n;
    //输出
    printf("最高分为%d\n", MaxMark);
    printf("最低分为%d\n", MinMark);
    printf("平均分为%d\n", AvgMark);
    printf("90-100的人数为%d\n", Num90);
    printf("80-89的人数为%d\n", Num80);
    printf("70-79的人数为%d\n", Num70);
    printf("60-69的人数为%d\n", Num60);
    printf("60分以下人数为%d\n", Num0);
}

调试前的运行

调试后:

#include <stdio.h>
#define MAX_N 100  //最大总人数
void main()                                     
{
    int n;                                        //总人数
    int i;                                        //循环变量
    float Mark[MAX_N];                            //各人成绩
    float MaxMark,MinMark,AvgMark;                //最高分 最低分 平均分    
    float sum;                                    //分数总和
    int Num90=0,Num80=0,Num70=0,Num60=0,Num0=0; //分数段
    sum=0;                  //给总分赋值//
    MinMark=100;            //给最小值赋值//
    MaxMark=0;              //给最大值赋值//

    printf("请输入总人数n=");
    scanf("%d",&n);
    for(i = 0; i < n; i++)
    {
        printf("Mark[%d]=", i);
        scanf("%f", &Mark[i]);
    }
    for(i = 0; i < n; i++)
    {
        sum = sum + Mark[i];         //将mark[1]改为mark[i],总分应该是每个分数相加//
        if(Mark[i] > MaxMark)
            MaxMark = Mark[i];
        if(Mark[i] < MinMark)
            MinMark = Mark[i];
        if(Mark[i] >= 90)
            Num90++;
        else if(Mark[i] >= 70)
            Num70++;
        else if(Mark[i] >= 60)
            Num60++;
        else
            Num0++;
    }
    AvgMark = sum / n;
    //输出
    printf("最高分为%f\n", MaxMark);        //改为浮点型//
    printf("最低分为%f\n", MinMark);
    printf("平均分为%f\n", AvgMark);
    printf("90-100的人数为%d\n", Num90);
    printf("80-89的人数为%d\n", Num80);
    printf("70-79的人数为%d\n", Num70);
    printf("60-69的人数为%d\n", Num60);
    printf("60分以下人数为%d\n", Num0);
}

 

2、编写程序,输出一张九九乘法口诀表。要求必须将乘积放入一个二维数组中,再输出该数组,程序运行效果如下:

 

//生成九九乘法表//

#include<stdio.h>
int main (){
    int a[9][9];                       //定义一个二维数组//
    int i,j,temp=1;
    
    for(i=0;i<9;i++){
        for(j=0;j<=i;j++){
            temp=(i+1)*(j+1);
            a[i][j] = temp;                      //生成九九乘法表数组//
            printf("%d*%d=%d ",i+1,j+1,a[i][j]);
            if(j==i)
                printf("\n");                 //生成二维数组//
        }
    }
    return 0;
}

 

 

 

 

 

转载于:https://www.cnblogs.com/simple9495/p/3411501.html

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