数组

作用

可以帮我们一次声明多个同类型的变量,这些变量在内存中是连续存储的

声明方式

数据类型[ ] 数组名=new 类型[数组长度]
1. int [] nums=new int[10];//长度为10,索引为0-9
2. int [] numbers=new int [] {2,3,4};
3. int []nums={3,3,2,2,1};//里面的5个int类型的变量叫做:数组元素

赋值和取值

            //统计全班的成绩,并计算平均成绩,然后把所有成绩显示出来
            Console.WriteLine("请输入班级人数");
            int peoples = Convert.ToInt32(Console.ReadLine());

            int[] grade = new int[peoples];
            int sum = 0;
            for (int i = 0; i < grade.Length; i++)
            {
                Console.WriteLine("请输入第{0}个人的成绩", i + 1);
                grade[i] = Convert.ToInt32(Console.ReadLine());
                sum += grade[i];
            }

            for (int i = 0; i < grade.Length; i++)
            {
                Console.WriteLine(grade[i]);
            }
            Console.WriteLine("平均成绩为{0},总成绩为{1}", sum / grade.Length, sum);
            Console.ReadKey();

排序

冒泡排序

            //n个数需要排n-1轮,第t轮比较n-t次
            int[] nums = new int[] { 1, 2, 3, 4, 5 };//长度5
            int temp = 0;
            for (int j = 0; j < nums.Length - 1; j++)//第几轮
            {
                for (int i = 0; i < nums.Length - 1 - j; i++)//比较次数
                {
                    if (nums[i] < nums[i + 1])
                    {
                        temp = nums[i];
                        nums[i] = nums[i + 1];
                        nums[i + 1] = temp;
                    }
                }
            }
            for (int i = 0; i < nums.Length; i++)
            {
                Console.Write(nums[i] + "\t");

            }
            Console.ReadKey();

Array

    Array.Sort(nums);//从小到大排序
    Array.Reverse(nums);//反转

forr

int[] nums = { 3, 4, 23, 32, 1 };
for (int i = 0; i < nums.Length; i++)//反转
            {
                Console.WriteLine(nums[i]);
            }

            Console.ReadKey();
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 10
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