03--栈和队列

1.学习总结(2分)

1231973-20180414164822172-746275209.png

2.PTA实验作业(4分)

2.1 题目1:7.3符号配对

2.2 设计思路(伪代码或流程图)

定义字符数组mid,post存放中缀表达式和后缀表达式 
  SqStack a;
  初始化a;
  最后出栈以#结束,先让#入栈
  遍历中缀表达式,i=0 to  len
           if  mid[i]是数字,则post[j]=mid[i],存放于post数组中
           else if  mid[i]是运算符,则判断与栈中元素的优先级,若优先级大于栈中元素,则post[i]=mid[i],否则将mid[i]入栈
           else if  mid[i]='(', 优先级最高,将其入栈
          else if  mid[i]=')',
          {
        while(取栈顶元素不等于'(')   
         {
            podt[j]=Pop(a,e);
            j++;
        }
        Pop(a,e);
         }
   遍历结束后,将栈内元素全部出栈,存入到post数组中 
   输出post
       end   

2.3 代码截图

1231973-20180414100722118-1555676953.png
1231973-20180414100755348-1643561757.png
1231973-20180414100826296-772951707.png

2.4 PTA提交列表说明。

1231973-20180414100919493-1398134074.png

此题还没有解决问题,调了很久一直是编译错误,

2.1 题目2:7-1 jmu-报数游戏(15 分)

2.2 设计思路(伪代码或流程图)

1.定义m存放人员个数,n存放报的数字,SqQueue  q;
2.初始化q;
3.i=1 to  m
    依次给队列元素编号 
4.当队列不为空时,
     i=0  to   n-1
        让队列元素出队,再重新入队,则此时队头元素为n 
     此时出队一个元素,即为报到的数字
    输出出队元素
 end 

2.3 代码截图

1231973-20180414103304747-1817257623.png
1231973-20180414103325713-1848309974.png
1231973-20180414103347839-94061142.png

2.4 PTA提交列表说明。

1231973-20180414103501346-903124582.png

在给队列赋予编号时,i从0开始,导致输出错误
1231973-20180414103809139-1261062982.png
1231973-20180414104003263-1571298597.png

2.1 题目3:7-2 银行业务队列简单模拟(25 分)

2.2 设计思路(伪代码或流程图)

定义n存放银行服务的人数,data存放顾客的编号,SqQueue s1,s2;
初始化s1,s2,
遍历n
 i=0   to  n
     cin>>data
    if(data为偶数) 
        则入队到s2
     else
        则入队到s1 
遍历队列s1,s2,当s1,s2都不为空时,先将s1中的两个队列元素出队,存放到数组中,再出队一个s2中的元素存放到数组中 
将未遍历结束的队列中的元素都出队,并存放于数组中
 i=0  to  n
循环输出数组元素
end 

2.3 代码截图

1231973-20180414110300503-101062134.png
1231973-20180414110324463-316433605.png
1231973-20180414110346379-147541916.png

2.3pta列表提交说明

1231973-20180414110440512-929653925.png

考虑的顾客的最大数值错误,题目要求说最大N为1000,然后不小心定义成了100
1231973-20180414110635598-1505536664.png

3.1 栈PTA排名

1231973-20180414111154447-278673126.png

3.2 队列PTA排名

1231973-20180414111112775-906949127.png

3.3 我的总分:155

4. 阅读代码(必做,1分)

#include <string>    //  使用 string 类时须包含这个文件
#include <iostream>
#include <queue>     //调用c++中的类:queue 
using namespace std; 
int main()
{
    int n,i,num,count=0,out;
    cin>>n;
    queue<int> A,B;  //A,B窗口分别为两个队列 
    for(i=1;i<=n;i++){//进队列 
        cin>>num;//输入编号 
        if(num%2==0)//偶数 
            B.push(num);
        else//奇数 
            A.push(num);
        } 
    while(!B.empty()&&!A.empty()){
           for(i=0;i<2;i++){ 
            out=A.front();
            A.pop();
            cout<<out<<" ";
            count++;}//奇数  
            out=B.front();
            B.pop();
            cout<<out<<" ";
            count++;//偶数
       }
   while(B.size()!=0){
           if(B.size()==1){
           out=B.front();
           B.pop();
           cout<<out;
          } 
       else {
            out=B.front();
            B.pop();
           cout<<out<<" ";
        }
   }
   while(A.size()!=0){
        if(A.size()==1){
           out=A.front();
           A.pop();
           cout<<out;
          } 
       else {
            out=A.front();
            A.pop();
           cout<<out<<" ";
        }
       
   }
   return 0;
}

代码来源:https://gitee.com/ev32/queue_pta/blob/master/7-2.cpp
代码优势:此题调用c++中的类:queue,节省了代码量,避免函数错误,当时自己写的时候是采用的将顾客的标号存放于两个队列中,然后再根据题目要求将其出队输出,代码量比较大,没有调用queue来的简洁

5. 代码Git提交记录截图

1231973-20180414172907800-444037680.png

转载于:https://www.cnblogs.com/2223ch/p/8834807.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