11.12

1.输入37,24,42,32,7,40,2,42,120
要读出

		for (int j = 0; j < s.length(); j++)
		{
			if (s[j] != ','&& j < s.length())
				strtemp = strtemp + s[j];
			else
			{
				stringstream stream(strtemp);
				stream >> temp;
				strtemp = "";
				root = tree.plantTree(root, temp);
			}
		}
提取不为,前的内容 最后输出到串里

2.

	int* buf;
	cin >> Max >> N;
	buf = new int[N];

		num = new int[this->len];
		//cout<<"长度为"<<this->len<<endl;
		memset(num, 0, sizeof(int)*this->len);
这么创建的new int[] 只能用memset初始化 不用for

3.c++ 11才能用to_string(x)

oj 就用sstream

从string到int 用string a = atoi(x)

4.注意 algorithm这个库 有sort swap等函数

函数名功能描述
sort对给定区间所有元素进行排序
stable_sort对给定区间所有元素进行稳定排序
partial_sort对给定区间所有元素部分排序
partial_sort_copy对给定区间复制并排序
nth_element找出给定区间的某个位置对应的元素
is_sorted判断一个区间是否已经排好序
partition使得符合某个条件的元素放在前面
stable_partition相对稳定的使得符合某个条件的元素放在前面

5.对root读写 函数声明一定是node(*&root)


在机器学习和深度学习中,"loss过高"通常是指训练过程中模型的损失函数(如交叉熵、均方误差等)的值远高于理想的或预期的范围。对于分类任务来说,比如准确率是100%,loss应该接近于0。当loss达到11.12%,这意味着模型在当前的学习过程中表现不佳,可能存在的原因包括: 1. **模型过拟合**:模型在训练数据上过度学习,导致在新数据上泛化能力差,表现为训练集loss低,验证或测试集loss高。 2. **学习率不合适**:如果学习率设置过大或更新步度过快,可能导致优化器无法找到有效的局部最优解。 3. **数据分布不均衡**:某些类别在训练集中过于稀疏,可能导致模型难以正确处理这些类别,从而提高整体loss。 4. **网络结构或参数初始化不当**:模型的复杂度过高或权重参数未进行正确的初始化,也可能造成初始loss偏高。 5. **优化器问题**:选择的优化算法(如SGD、Adam等)可能不适合当前任务或模型,或者存在梯度爆炸或消失的问题。 要解决这个问题,你可以尝试以下措施: 1. **调整超参数**:如学习率、批量大小、正则化参数等。 2. **数据增强**:增加训练数据的多样性,帮助模型更好地泛化。 3. **改变模型结构**:简化模型,或者尝试更复杂的架构。 4. **使用早停策略**:监控验证集loss,在loss开始上升时停止训练,防止过拟合。 5. **使用其他优化器**:尝试不同的优化算法,如RMSprop或Adagrad。
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