湖南师范大学数据结构实验(二)

该实验旨在掌握栈和队列的原理及应用,通过栈实现表达式求值,用顺序存储实现循环队列的初始化、入队、出队和长度计算。实验步骤包括输入表达式求值、队列操作后的状态展示。测试数据包含一个数学表达式和循环队列的各种操作情况。
摘要由CSDN通过智能技术生成

2、 栈、队列
背景知识:栈和队列的逻辑定义、存储定义和基本操作的实现及应用
目的要求:

  1. 掌握栈、队列的思想及其存储实现;
  2. 掌握栈、队列的常见算法的程序实现及应用。
    实验内容:
  3. 利用栈和算符优先算法,实现表达式求值。
  4. 采用顺序存储实现循环队列的初始化、入队、出队和求队列长度的操作。
    实验步骤:
  5. 从键盘输入表达式,求值,并显示求值结果;
  6. 每次入队或出队操作后,显示队列情况和队列长度。
    测试数据:
    (1)3×6+9-5×(8-3)
    (2)循环队列大小为11;d,e,b,g,h入队;两次出队; i,j,k,l,m入队;一次出队; n,o,p,q,r入队

栈实现表达式求值

#include<cstdio>
#include<cstdlib>
#include<iostream>
using namespace std;

int read() {
   int x; cin >> x; return x;}

template<typename T> struct stack
{
   
    int top_ = 0;
    T *a = 0;
    void push(T x) {
   
        top_++;
        a = (T *)realloc(a,top_*sizeof(T));
        a[top_-1] = x;
    }
    int size() {
   return top_;}
    void pop() {
   top_--;}
    T top() {
   return a[top_-1];}
    bool empty(){
   return top == 0;}
    T operator [] (int x){
   return a[x];}
};

char map[7]{
   '+','-','*','/','(',')','#'};
int mapT[1000];
int cmp[7][7] = {
   
                    1,1,-1,-1,-1,1,1,
                    1,1,-1,-1,-1,1,1,
                    1,1,1,1,-1,1,1,
                    1,1,1,1,-1,1,1,
                    -1,-1,-1,-1,-1,0,999,
                    1,1,1,1,999,<
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. **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