【C | PTA】函数专项练习(四)

C语言--循环结构1.(整数位数问题) 来看第一个问题: 一、统计一个整数的位数 首先我们想到了使用算数运算符“分割”这个整数,同时还需要一个变量来存储整数的位数,然后就可以使用一个循环来解决这个问题,那么要用什么循环去解决呢?由于我们需要处理的数据有待输入,事先不能确定循环次数,所以我们最好的方式是采用do-while循环(使用while循环时遇到输入数据为0时不方便处理)。代码如下: #include<stdio.h> int main(void) { int num; int a=0; scanf("%d",&am 阅读详情

本文结合PTA专项练习带领读者掌握函数,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

6-1 计算A[n]=1/(1 + A[n-1])

函数 fun 的功能是:根据整型形参 n,计算某一数据项的值。
A[1]=1, A[2]=1/(1 + A[1]), A[3]=1/(1 + A[2]), …,A[n]=1/(1 + A[n-1])
例如,若 n=10,则应输出:A10=0.617977。
函数接口定义:

float fun(int n);

其中n是用户传入的参数,函数须返回第n项的值。
裁判测试程序样例:

#include <stdio.h>

float fun(int n);

int main( )

{ int n ;

 scanf("%d", &n ) ;

 printf("A%d=%f\n", n, fun(n) ) ;

 return 0;

}



/* 请在这里填写答案 */

输入样例:

10

输出样例:

A10=0.6180

float fun(int n)
{
    if(n==1)
        return 1;
    else 
        return 1/(1+fun(n-1)); 
}

6-2 递归实现顺序输出整数

本题要求实现一个函数,对一个整数进行按位顺序输出。
函数接口定义:

void printdigits( int n );

函数printdigits应将n的每一位数字从高位到低位顺序打印出来,每位数字占一行。
裁判测试程序样例:

#include <stdio.h>


void printdigits( int n );


int main()

{

    int n;

    

    scanf("%d", &n);

    printdigits(n);


    return 0;

}


/* 你的代码将被嵌在这里 */

输入样例:

12345

输出样例:

1
2
3
4
5

void printdigits( int n )
{
    if(n/10==0)
        printf("%d\n",n);
    else
    {
        printdigits(n/10);
        printf("%d\n",n%10);
    }
}

6-3 自然数的位数(递归版)

请编写函数,求自然数的位数。
函数原型

int NumDigit(int number);

说明:参数 number 为非负整数。函数值为 number 的位数。若 number 为零,则函数值为零。
裁判程序

#include <stdio.h>


int NumDigit(int number);


int main()

{

    int n;

    scanf("%d", &n);

    printf("%d\n", NumDigit(n));

    return 0;

}


/* 你提交的代码将被嵌在这里 */

要求:不使用循环语句,用递归方法完成函数的设计。
输入样例

25173

输出样例

5

int NumDigit(int number)
{
    if(number==0)
        return 0;
    else if(number/10==0)
        return 1;
    else
    {
        return NumDigit(number/10)+1;
    }
}

6-4 分治法求解金块问题

分数 10
作者 张泳
单位 浙大城市学院

老板有一袋金块(共n块,2≤n≤100),两名最优秀的雇员每人可以得到其中的一块,排名第一的得到最重的金块,排名第二的则得到袋子中最轻的金块。

输入一个正整数N(2≤N≤100)和N个整数,用分治法求出最重金块和最轻金块。

本题要求实现2个函数,分别使用分治法在数组中找出最大值、最小值。
函数接口定义:

int max(int a[ ], int m, int n); 

int min(int a[ ], int m, int n);    

递归函数max用分治法求出a[m]~a[n]中的最大值并返回。

递归函数min用分治法求出a[m]~a[n]中的最小值并返回。
裁判测试程序样例:

#include <stdio.h>

#define MAXN 101


int max(int a[ ], int m, int n); 

int min(int a[ ], int m, int n);


int main(void)

{

    int i, n; 

    int a[MAXN]; 

    

    scanf ("%d", &n); 

    if(n >= 2 && n <= MAXN-1 ){

        for(i = 0; i < n; i++){ 

            scanf ("%d", &a[i]); 

        }

        printf("max = %d\n", max(a, 0, n-1));

        printf("min = %d\n", min(a, 0, n-1));

    }else{

        printf("Invalid Value.\n");    

    }


    return 0;

}



/* 请在这里填写答案 */

输入样例:

6
3 9 4 9 2 4

输出样例:

max = 9
min = 2

int max(int a[ ], int m, int n)
{
    int max=a[0];
    for(int i=m;i<=n;i++)
    {
        if(max<a[i])
            max=a[i];
    }
    return max;
}
int min(int a[ ], int m, int n)
{
    int min=a[0];
    for(int i=m;i<=n;i++)
    {
        if(min>a[i])
            min=a[i];
    }
    return min;
}

6-5 汉诺塔

分数 10
作者 黄龙军
单位 绍兴文理学院

汉诺(Hanoi)塔问题是一个经典的递归问题。

设有A、B、C三个塔座;开始时,在塔座A上有若干个圆盘,这些圆盘自下而上,由大到小地叠在一起。要求将塔座A上的圆盘移到塔座B上,并仍按同样顺序叠放。在移动过程中要求遵守如下规则:

每次只能移动一个圆盘;
任何时刻都不允许将较大的圆盘压在较小的圆盘之上;
在满足前两条规则的前提下,可将圆盘移至A、B、C中任何一塔座上。

例如,3个圆盘的初始状态如下:

hanoi.png

则移动过程如下:
A->B
A->C
B->C
A->B
C->A
C->B
A->B

要求实现一个递归函数,模拟输出n(1<=n<=8)个圆盘从塔座A借助塔座C移动到塔座B上的过程(用A->B表示将圆盘从A移到B,其他类似)。
函数接口定义:

void hanoi(int n, char from, char to, char by);

其中参数 n是圆盘数 、from是原来叠放圆盘的塔座 、to是最终叠放圆盘的塔座 、by是可借助的塔座。
裁判测试程序样例:

#include<iostream>

using namespace std;


//将n个圆盘借助by从from移到to

void hanoi(int n, char from, char to, char by);


//输入n,输出将原来在A上的n个圆盘借助C移动到B上的移动过程,控制到文件尾

int main() {

    int n, cnt=0;

    while(cin>>n) {

        cnt++;

        if (cnt>1) cout<<endl;

        hanoi(n, 'A', 'B', 'C');

    }

    return 0;

}

输入样例:

3
4

输出样例:

A->B
A->C
B->C
A->B
C->A
C->B
A->B

A->C
A->B
C->B
A->C
B->A
B->C
A->C
A->B
C->B
C->A
B->A
C->B
A->C
A->B
C->B

void hanoi(int n, char from, char to, char by)
{
    if(n==1)
    {
        printf("%c->%c\n",from,to);
        return;
    }
    else
    {
        hanoi(n-1,from,by,to);
        printf("%c->%c\n",from,to);
        hanoi(n-1,by,to,from);
    }
}

6-6 重复显示字符(递归版)

请编写递归函数,重复显示字符。
函数原型

void Show(int number, char symbol);

说明:参数 number 为重复次数,symbol 为显示字符。函数将在屏幕上重复显示 number 个 symbol 字符。若 number ≤ 0,则不输出。
裁判程序

#include <stdio.h>


void Show(int number, char symbol);


int main()

{

    int n;

    char s;

    scanf("%d %c", &n, &s);

    Show(n, s);

    putchar('\n');

    return 0;

}


/* 你提交的代码将被嵌在这里 */

输入样例1

-3 #

输出样例1

输入样例2

5 *

输出样例2


要求:不使用循环语句。

void Show(int number, char symbol)
{
    if(number<=0)
    return;
    else
    {
    printf("%c",symbol);
    Show(number-1,symbol);
    }
}

6-7 显示平行四边形(右)(递归版)

分数 10
作者 李祥
单位 湖北经济学院

请编写递归函数,显示平行四边形(向右)。
函数原型

void RtPara(int width, int height, char symbol);

说明:参数 width、height 分别为平行四边形的底和高,symbol 为显示字符。函数将在屏幕上显示底宽为 width、高度为 height 由字符 symbol 组成的平行四边形(向右)。若 width, height ≤ 0,则不输出。
裁判程序

#include <stdio.h>


void Show(int number, char symbol);

void RtPara(int width, int height, char symbol);


int main()

{

    int w, h;

    char s;

    scanf("%d %d %c", &w, &h, &s);

    RtPara(w, h, s);

    putchar('\n');

    return 0;

}


......


/* 你提交的代码将被嵌在这里 */

提示:需要利用前面作业中的 Show 函数,此外需要增加自用的内部函数。
输入样例1

-3 0 #

输出样例1

输入样例2

20 5 *

输出样例2

    ********************
   ********************
  ********************
 ********************
********************

要求:不使用循环语句,用递归方法完成函数的设计。

关联习题:重复显示字符(递归版)。

void PrintSpaces(int number)
{
    if(number<=0)
        return;
    else
    {
        printf(" ");
        PrintSpaces(number-1);
    }
}

void RtPara(int width,int height,char symbol)
{
    if(width<=0||height<=0)
        return;
    else
    {
        PrintSpaces(height-1); // 打印平行四边形上方的空格

        Show(width,symbol); // 打印平行四边形第一行

        putchar('\n'); // 换行

        RtPara(width,height-1,symbol); // 递归调用,打印剩余行数的平行四边形
    }
}
PTA 浙大版《C语言程序设计(第3版)》题目集全套代码 PTA 浙大版《C语言程序设计(第3版)》题目集全套代码 Here is PTA网站地址 本文适合C语言初学者,风格轻松明快,语言简洁易懂。本文在实际 案例中插入知识点,因为C语言不是学会的,而是练会的。多做题, 多上手写代码才能早日晋级,离开新手村。 来吧!投入C语言的怀抱吧! 文章目录PTA 浙大版《C语言程序设计(第3版)》题目集全套代码前前言 怎样算是一个好的程序前言一、函数题1.练习5-1 求m到n之和2.找两个数中最大者二、编程题1.练习2-1 Programming in C is fun 阅读详情

相关推荐

PTA练习系统显示error: redefinition of ‘main’编译错误解决方法+PTA网站验证码

笔者终于下定决心要提高代码能力,直击PAT时 没想到......一开始,就被一道求和题给噎住了....还是那么简单的题目 显示错误: 看了几遍程序,想不明白为什么出错 后细看提示,才明白这个题库的操作方法 就是:只需要补上 欠缺的代码 即可 所以 也许是这个原因,这道题的通过率才0.31 最后附上浙大PTA网站验证码(即书籍C语言程序设计第三版(高教出版社) 书...

wuyaxin 4万+

PTA初级题目练习

PTA初级题目练习

m0_56911284的博客 2893

PTA函数练习题 6-6 数字金字塔

PTA函数练习题 6-6 数字金字塔 估计大家都是从PTA过来的,因此题目不再赘述,直接上代码: #include <stdio.h> void pyramid(int n); int main(void) { int n; scanf("%d", &n); pyramid(n); return 0; } void pyramid(int n) { int i, j, k, flag; for (i = 1; i <= n

weixin_45566219的博客 1263

C语言入门练习———PTA习题

家人们,姐妹们,小美女小帅哥们,快来和姐姐一起学编程吧~爱你~笔芯~希望大家都可以快乐学习不脱发,祝大家早日脱单,祝大家学业顺利!

m0_65281575的博客 2222

浙大PTA拼题A读者验证码刷题页面、PTA免费刷题页面(不需要读者验证码)

有一个B站号@李桥桉,很多年前讲过PTA里的一些题目的解法。近两年有好多同学反馈,需要读者码才能进行答题,不然只能免费注册、看题、编写代码,就是不能提交代码(大受震撼)。咱就是说,会不会是同学们找错页面了,有免费的不需要读者码的题目集啊。先来说打开PTA平台,哪些题目集是需要输入读者码的,哪些是免费练习不需要读者码的。

李桥桉的博客 1万+

【WUT】PTA 2022春-MOOC-练习题

数组 | 函数和指针 | 选择结构 | 顺序结构 | 循环结构

linked的博客 5806

自然数的位数(递归版) (10分)

6-3 自然数的位数(递归版) (10分) 请编写函数,求自然数的位数。 函数原型 int NumDigit(int number); 说明:参数 number 为非负整数。函数值为 number 的位数。若 number 为零,则函数值为零。 裁判程序 #include <stdio.h> int NumDigit(int number); int main() { int n; scanf("%d", &n); printf("%d\n"

半零落的博客 4478

跨平台烧录实战:RKDevTool在Windows/Linux/MacOS下的统一与差异

本文详细解析了RKDevTool在Windows、Linux和macOS三大操作系统下的固件烧录实践,重点介绍了RK3576开发板的环境配置、工具链选择、烧录模式切换及常见问题解决方案,帮助开发者构建稳定可靠的跨平台烧录工作流。

cnn8visionary的博客 206

PTA日常训练(C语言详细版)

PTA日常训练给定范围内每个完数的因子累加形式的分解式,每个完数占一行,格式为“完数 = 因子1 + 因子2 + ... + 因子k”,其中完数和因子均按递增顺序给出。例如:6=1+2+3,其中1、2、3为6的因子。对于每组测试,若[m,n]区间内没有水仙花数则输出“none”(引号不必输出),否则逐行输出区间内所有的水仙花数,每行输出的格式具体参看输出样例。输入两个3位的正整数m,n,输出[m,n]区间内所有的“水仙花数”。在一行中输出这行文本对应的单词的长度,每个长度之间以空格隔开,行末没有最后的空格。

awofe的博客 4396

机器人C++开源库The Robotics Library (RL)使用手册(三)

进入VS工程,我们先看看这些功能函数及其依赖库的分布关系:rl命名空间下,主要有八大模块。搞定VS后将逐个拆解。

qq_34839823的博客 1736

Android Qcom Display学习(十一)

该系列文章总目录链接与各部分简介:本章主要是基于MIPI Payload传输接口的学习,包括Generic和DCS的接口不同。底层都是基于去封装的,下面第一部分调用原生接口,第二部分分析高通是如何进行读写操作的。

Android驱动开发 3182

【C | PTA】结构体专项练习

本文结合PTA专项练习带领读者掌握结构体,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 6995

光伏储能交直流微电网Matlab/Simulink仿真模型

首先是光伏储能交直流微电网,这个也是我还是之前在硕士期间在做光伏扶贫项目时候搭建的仿真,仿真由光伏、蓄电池及负载组成的独立直流微电网,提出电压和电流分段式协同控制策略。接下来我将主要更新关于光伏、风电、储能微电网系统相关的内容,包括具体建模和控制。

2401_89292556的博客 785

【C/PTA】选择结构专项练习(额外)

本文结合PTA专项练习带领读者掌握选择结构,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 6108

WRF-BEM相关参数说明

本参数适用于WRF-BEM模拟武汉市气候。

m0_60013472的博客 1896

STM32--LoRa通信模块

模块根据MD0的配置与AUX引脚的状态会进入不同的功能其中在通信功能下,包含4种工作模式。

qq_47258284的博客 1万+

【C | PTA】函数专项练习(三)

本文结合PTA专项练习带领读者掌握函数,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 7157

PSF(点扩散函数)与去卷积算法消除图像模糊

本文旨在总结图像处理中使用去卷积的传统方法来进行图像去模糊的相关知识。

m0_53607446的博客 6014

【C | PTA】函数专项练习(二)

本文结合PTA专项练习带领读者掌握函数,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 7924

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

【C | PTA】指针专项练习(二)

本文结合PTA专项练习带领读者掌握指针,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 6591

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【C | PTA】函数专项练习(一)

本文结合PTA专项练习带领读者掌握函数,刷题为主注释为辅,在代码中理解思路,其它不做过多叙述。

等风来 7436

【C | PTA】指针专项练习(一)

函数fun的功能是在指针a所指向的一维数组中找出其中最大的数及其下标,下标存到指针b所指的变量里,函数返回最大值。函数fun的功能是:求两数平方根之和,作为函数值返回。输入第一行给出两个正整数m和n(1≤m,n≤6),再输入m行数据,每行n个整数,每个整数之间用空格分隔。函数求 a 指针和 b 指针所指的两个数的平方根之和,并返回和。将输入的任意两个4位正整数的后两位互换,例如输入1234和5678,交换之后输出1278和5634。函数的功能是删除指针 s 所指的字符串中的所有数字字符。

等风来 6220

pta平台c语言作业答案,C语言PTA平台习题与答案.pdf

C语言PTA平台习题与答案.pdfC 语言程序与设计 PTA 平台习题与答案 1 1 第二章 作业 1 .本题要求编写程序,输出一个短句“Welcome to You” include int main printfWelcome to Youn; return 0; .本题要求编写程序,计算华氏温度 100F 对应的摄氏温度。计算公式C5F32/9, 式中C表示摄氏温度,F表示华氏温度,输出数据...

weixin_31940835的博客 1万+

PTA—C语言练习题

复习C练习题 1-1:Hello World! 要求:编写程序,输出一个短句“Hello World"。 #include<stdio.h> int main(void){ printf("Hello World!"); return 0; } 1-2:温度转换 要求:本题要求编写程序,计算华氏温度150°F对应的摄氏温度。计算公式:C=5×(F−32)/9,式中:C表示摄氏温度,F表示华氏温度,输出数据要求为整型。 输出格式:fahr = 150, celsius = 计算所

lcyiloveyou的博客 8544

PTA练习

@[PTA]综合练习答案 输入一个正整数repeat (repeat<10),做repeat次下列运算: 输入一个正整数n(n<10),输出n行数字金字塔。 输出时使用以下语句: printf(" "); printf("%d ", i); printf("\n"); 输入格式: 输入在第1行中给出1个正整数repeat(repeat<10) 接下来repeat行,每行给出一...

qq_45015119的博客 3437
上一篇: 【C | PTA】函数专项练习(三)
下一篇: 【Linux】安卓端JuiceSSH结合内网穿透实现远程连接服务器
秋说
秋说 优质创作者: 编程框架、信息安全技术领域 优质创作者: 编程框架、信息安全技术领域
博客等级 码龄4年 3万+粉丝 1906原创
评论 20
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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

打赏作者

秋说

感谢打赏

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
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