日常代码

1.用给定的几种钱币凑成某个钱数,一般而言有多种方式。例如:给定了6种钱币面值为2、5、10、20、50、100,
用来凑 15元,可以用5个2元、1个5元,或者3个5元,或者1个5元、1个10元,等等。显然,最少需要2个钱币才能凑成15元。  
你的任务就是,给定若干个互不相同的钱币面值,编程计算,最少需要多少个钱币才能凑成某个给出的钱数。
#include <iostream>
#include <algorithm>//是c++特有的STL模板的算法头文件包括sort(),stable_sort()等等
using namespace std;
int main()
{
 int money,n,i,s,a[10];
 printf("输入要凑钱的总数为:");
 while(cin>>money)
 {
  s=0;
  if(money==0) break;
  cin>>n;
  printf("给定的%d种钱币面值为:",n);
  for(i=0;i<n;i++)
  {
   cin>>a[i];
  }
  sort(a,a+n);//排序
  for(i=n-1;i>=0;i--)
  {
   if(money>=a[i])
   {
    s=s+money/a[i];
    money=money%a[i];
   }
   if(money==0) break;
  }
  if(money!=0) 
cout<<"Impossible"<<endl;
  else 
     printf("最少需要%d个钱币才能凑成某个给出的钱数",s);
 }
 return 0;

}

2.蛇形矩阵是由1开始的自然数依次排列成的一个矩阵上三角形。   
【输入】  本题有多组数据,每组数据由一个正整数N组成。(N不大于100)  
【输出】  对于每一组数据,输出一个N行的蛇形矩阵。两组输出之间不要额外的空行。矩阵三角中同一行的数字用一个空格分开。
行尾不要多余的空格。

【输入范例】 5   

【输出范例】 1 3 6 10 15 2 5 9 14 4 8 13 7 12 11

#include<stdio.h>
int main()
{
 int N,i,j,a[100][100];
 while( scanf("%d",&N)!=EOF)//End Of File 理解为换行符
 {
  a[0][0]=1;
  printf("%d",a[0][0]);
  for(i=0;i<N-1;i++)
  {
   a[i+1][0]=a[i][0]+i+1;
   for(j=0;j<N-i-1;j++)
   {
    a[i][j+1]=a[i][j]+j+i+2;
    printf(" %d",a[i][j+1]);
   }
   printf("\n%d",a[i+1][0]);
  }
 }
 printf("\n");
 return 0;
}

 
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