循环结构

                                        循环结构

一、循环控制语句
1、循环又叫重复,它是指某一事物被不断重复的执行。循环语句的结构是在给定的条件成立时,反复执行某一程序段,直到条件不成立为止。
2、其中,给定的条件我们称之为循环条件,反复执行的程序段(事物)为循环体,而用于控制循环执行次数的变量称为循环变量。
3、我们要注意的是:如果循环语句中的循环体包含了一个以上的语句(多条语句),我们就必须用花括号({})括起来以构成复合语句。
4、控制语句是用来控制程序的流程,最终实现程序的各种结构方式。它具有以下几种:
(1)条件语句:if()…else…;
(2)多分支选择语句:switch;
(3)循环语句:for()…和do…while()以及while()…;
(4)终止执行switch或循环语句:break;
(5)结束本次循环语句:continue;
(6)无条件转向语句:goto;
(7)从函数返回语句:return;
其中的break、continue、goto、return是辅助指令。
5、循环具有两种类型,根据判断时机的不同分为先测循环和后测循环。
(1)先测循环是先判断条件,后执行循环体。而只有条件为“真”,才会执行循环体,否则就结束循环。例如:for()循环语句和while()循环语句就是先测循环。
(2)后测循环是先执行一次循环体,然后再来判断条件。如果条件为“真”就执行循环体,否则就结束循环。例如:do…while()循环语句就是后测循环。
6、先测循环与后测循环的区别是:
(1)先测循环的条件判断次数为n+1次,而后测循环则为n次;
(2)先测循环的最少循环次数是0次,而后测循环则是1次。
二、while语句
1、while语句中的表达式一般是关系表达式或逻辑表达式,只要值为真就会继续执行循环体。
2、while语句的功能是计算表达式的值,当值为真时,执行循环体,否则终止循环。它的语句格式是while(expression){s}。其中,expression为循环条件,s为循环体。
3、expression可以是任意类型的表达式。若它有以下定义:
(1)int x;
(2)float y;
(3)char c;
则下列语句都是合法的:
(1)while(1){…} //常量表达式,条件永远为真。
(2)while(0){…} //常量表达式,条件永远为假。
(3)while(x){…} //常量表达式。
(4)while(x%2){…} //二元表达式。
(5)while((c=getchar())!=’\n’){…} //复杂表达式。
4、我们要注意的是while后面的括号不能省略,末尾不能加分号。
三、do…while语句
1、do…while()语句的功能是先执行一次循环体,然后再判断表达式的值,如果为真就继续执行循环体,否则就结束循环。它的语句格式是do{s}while(expression);。
3、expression可以是任意类型的表达式。若它有以下定义:
(1)int x;
(2)float y;
(3)char c;
则下列语句都是合法的:
(1)do{…}while(1); //常量表达式,条件永远为真。
(2)do {…}while(0); //常量表达式,条件永远为假。
(3)do {…}while(x); //常量表达式。
(4)do {…}while(x/=10); //赋值表达式。
(5)do {…}while((c=getchar())!=’\n’); //复杂表达式。
4、我们要记住do…while()语句的表达式后必须加分号。
四、for语句
1、for()语句的功能是:
(1)首先是计算出表达式1的值;
(2)其次是计算表达式2的值,若值为真,则执行循环体,否则跳出循环;
(3)最后是计算表达式3的值后,转回第二步重复执行。
2、我们需要知道的是:
(1)循环体可以是一条语句、空语句、或多条语句。
(2)表达式1可以是设置循环变量初值的赋值表达式,也可以是与循环变量无关的其它表达式。
(3)表达式2一般是关系表达式或者逻辑表达式,但也可以是数值表达式或者字符表达式,只要其值为非零,就可以执行循环。
(4)表达式3一般是改变循环变量的赋值表达式,但也可以是与循环变量无关的其它表达式。
(5)表达式1和表达式3都可以是逗号表达式。
(6)循环体和一些与循环控制无关的操作可以作为表达式1或表达式3,这样程序会更短小简洁。但过分的使用会使for语句显得杂乱,并且降低可读性。因此我们通常不建议把与循环控制无关的内容放到for语句中。
3、三个表达式可以是任意类型的表达式,但它们的作用不同:
(1)expression1往往用来给变量赋初始值(即初始化表达式),它在循环开始时被处理一次;
(2)expression2是条件表达式,用来控制循环的执行;
(3)expression3是修正表达式,用来更新循环条件。
即我们可以这样理解:for(循环变量赋初值;循环条件;循环变量增值){循环体语句}。
4、值得我们注意的是它的三个表达式都是可以省略的,但是它们之间的分号不能省略。
(1)在for语句的一般形式中,表达式1通常是被省略掉的;
(2)如果省略表达式2(即没有判断循环条件,循环会一直(无终止)执行下去),一般在循环体中加入break语句来退出循环;
(3)如果要省略表达式3,那么我们就要另外去设计一些保证循环能正常结束的方法。例如在循环体中修改循环变量,以此保证循环能结束。
例子:
(1)只有表达式2时(即只给循环条件),for(;i<=10;){}相当于while(i<=10){};
(2)三个表达式都省略掉时,for(;?{}相当于while(1){}。
5、它的语句格式是for(expression1; expression2; expression3){s}。若它有以下定义:
(1)int x=1,i;
(2)float y;
(3)char c;
则下列语句都是合法的:
(1)for(i=0;i<10;i++){…}
(2)for(i=0;i;–i){…}
(3)for(i=0,y=10;i<10&&y;i+=2,y–){…}
6、我们要记住for语句的表达式后的括号不能省略,末尾不能加分号。
7、for循环与while循环是可以相互转换的。例如:
for语句改写成while语句:
for语句是这样的:for(表达式1;表达式2;表达式3){循环体语句}
改写成的while语句是这样的:表达式1;while(表达式2){循环体语句; 表达式3;}。
8、for循环和while循环一样,for循环既可以用于计数控制型,也可以用于事物控制型。但它常常是用于计数控制型,即循环次数是已知的情况。
五、跳转语句(break语句与continue语句)
1、break语句格式是break;;它的功能是跳出switch结构和从循环体内中途跳出循环体(即提前结束循环,执行循环下面的语句)。
2、我们要注意的是:break语句在循环语句中一般与if语句一起使用。并且break语句只能用在循环语句和switch语句中。
3、continue语句的格式是continue;;它的功能是跳过循环体中的剩余语句并且强制执行下一次循环(即结束本次循环,跳过本次循环体中下面尚未执行的语句,去进行下一次是否执行循环的判定)。
4、我们要注意的是:continue语句一般与if语句一起使用。并且只能用在循环语句中。
5、break语句与continue语句的区别是:
(1)break语句是结束整个循环,即不在判断执行循环的条件是否成立;
(2)continue语句却只是结束了本次循环,并没有终止整个循环。
六、循环嵌套
1、循环嵌套是指一个循环的循环体内本身又包含了另一个完整的循环结构。
2、C语言提供的三种循环控制语句(for()语句和do…while()语句以及while()语句)可以互相嵌套,也可以自己嵌套。
3、循环可以反复嵌套多次,因此形成了一个层次关系,嵌套几次就叫几重循环。但在实际应用中用的最多的还是单重循环和双重循环

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