NO.21十六届蓝桥杯备战|一维数组|范围for|memset|memcpy(C++)

蓝桥杯软件比赛中的注意事项(C/C++) 一. 关于时间安排 比赛时间4个小时,注意以提交题目的系统时间为准,做完一题交一题,避免最后因为时间不够没交完题。在4个小时中同一道题可以提交多次,每次提交都会覆盖上一次的代码。 二. 关于填空题 今年蓝桥杯是5道填空,5道大题。一般第一道填空是签到题,也就是我们所说的送分题,可以通过一系列手段(比如Excel、word、电脑自带计算器、手算等)来得分。 解决填空题一定要用最快的方法,能用工具解... 阅读详情

数组是⼀组相同类型元素的集合

  • 数组中存放的是1个或者多个数据,但是数组元素个数不能为0
  • 数组中存放的多个数据,类型是相同的
    数组分为⼀维数组和多维数组,多维数组⼀般⽐较多⻅的是⼆维数组

一维数组

⼀维数组是最常⻅的,通常⽤来存放⼀组数据,⼀维数组是⼀块连续的空间
![[Pasted image 20250228163202.png]]

数组创建
type arr_name[常量值];

存放在数组的值被称为数组的元素,数组在创建的时候需要指定数组的⼤⼩和数组的元素类型
• type 指定的是数组中存放数据的类型,可以是:char、short、int、float 等,也可以⾃
定义的类型
• arr_name 是数组的名字,这个名字可以⾃定义,根据实际情况,起的有意义就⾏。
• []中的常量值是⽤来指定数组的⼤⼩的,数组的⼤⼩是根据实际的需求指定就⾏。在算法竞赛中为了为了保证不越界访问,往往会多开辟⼀些空间。
• 可以使⽤ const int N = 100 的⽅式定义常量,来指定数组的⼤⼩。

数组的初始化

有时候,数组在创建的时候,我们需要给定⼀些初始值,这种就称为初始化

//完全初始化,数据会依次放⼊数组  
int arr[5] = {1,2,3,4,5};  
//不完全初始化  
int arr2[6] = {1};//第⼀个元素初始化为1,剩余的元素默认初始化为0  
//错误的初始化 - 初始化项太多  
int arr3[3] = {1, 2, 3, 4};
数组元素访问

数组是有下标的,下标是从0开始的,假设数组有n个元素,最后⼀个元素的下标是n-1 ,下标就相当于数组元素的编号

int arr[10] = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10};

![[Pasted image 20250228181254.png]]

数组的访问提供了⼀个操作符 [] ,这个操作符叫:下标引⽤操作符
有了下标访问操作符,我们就可以轻松的访问到数组的元素了,⽐如我们访问下标为7的元素,我们就可以使⽤ arr[7] ,想要访问下标是3的元素,就可以使⽤ arr[3]

数组元素的打印

想要访问整个数组的内容,只要我们产⽣数组所有元素的下标就可以了,那我们使⽤ for 循环产⽣所有的下标,接下来使⽤下标访问就⾏了

如果产⽣的下标超出了有效下标的范围,⽐如,使⽤负数作为下标,或者超出了下标
的最⼤值,再使⽤这个下标访问元素就会造成:越界访问。越界访问访问的时候,代码编译
时语法没报错,但是运⾏时⼀定会出问题的

数组和sizeof
  • sizeof(数组名) ,计算的是数组的总⼤⼩,单位是字节
  • sizeof(数组名)/sizeof(第⼀个元素) ,计算的是数组的元素个数
数组元素的打印
#include <iostream>  
using namespace std;  

int main()  
{  
	int arr[10] = {1,2,3,4,5,6,7,8,9,10};  
	int i = 0;  
	for(i = 0; i < sizeof(arr)/sizeof(arr[0]); i++)  
	{  
		cout << arr[i] << " ";  
	}  
	return 0;  
}

![[Pasted image 20250228181549.png]]

范围for

打印数组元素除了可以使⽤之前讲过的三种循环外,还有⼀个更⽅便的⽅式,使⽤范围 for 。范围for是在 C++11 这个标准中引⼊的,如果你使⽤的编译器默认不⽀持 C++11 ,可能需要配置才能使⽤

范围for语法
for ( 类型 变量名 : 数组名 )  
	语句 //多条语句需要加⼤括号
#include <iostream>  
using namespace std;  

int main()  
{  
	int arr[10] = { 1,2,3,4,5,6,7,8,9,10 };  
	for (int e : arr)  
	{  
		cout << e << " ";  
	}  
	return 0;  
}

上⾯代码中的 for 就是 范围for ,代码的意思是将 arr 数组中的元素,依次放在 e 变量中,然后
打印 e ,直到遍历完整个数组的元素。这⾥的 e 是⼀个单独的变量,不是数组的元素,所以对 e 的修改,不会影响数组。
但是对于范围 for 要慎重使⽤!范围 for 是对数组中所有元素进⾏遍历的,但是实际在做题的过程中,可能只需要遍历数组中指定个数的元素,这样范围 for 就不合适了。

auto关键字

auto 的主要⽤途是让编译器⾃动推导出变量的类型的

#include <iostream>  
using namespace std;  

int main()  
{
	auto a = 3.14;  
	auto b = 100;  
	auto c = 'x';  
	
	return 0;  
}

![[Pasted image 20250228182030.png]]

#include <iostream>  
using namespace std;  

int main()  
{  
	int arr[10] = { 1,2,3,4,5,6,7,8,9,10 };  
	
	for (auto e : arr)
	//auto能够⾃动推导数组中每个元素的数据类型,在数组范围内遍历打印元素
	{  
		cout << e << " ";  
	}  
	return 0;  
}

范围 for 中 e 前⾯的类型可以可以是 auto 关键字,当不知道数组中放什么类型的时候,可以使⽤ auto 作为类型, auto 在范围 for 中很常⽤。如果明确的知道数组元素的数据类型,也可以将auto 换成对应的数据类型

memset设置数组内容
void * memset ( void * ptr, int value, size_t num );
  • ptr – 指针:指向了要设置的内存块的起始位置
  • value – 要设置的值
  • num – 设置的字节个数
    memset 是⽤来设置内存的,将内存中的值以字节为单位设置成想要的内容,需要头⽂件<cstring>
#include <iostream>  
#include <cstring>  
using namespace std;  

int main ()  
{  
	char str[] = "hello world";  
	memset(str, 'x', 6);  
	cout << str << endl;  
	int arr[] = {1,2,3,4,5};  
	memset(arr, 0, sizeof(arr));//这⾥数组的⼤⼩也可以⾃⼰计算  
	for(auto i : arr)  
	{  
		cout << i << " ";
	}  
	cout << endl;  
	return 0;  
}

![[Pasted image 20250228184921.png]]

![[Pasted image 20250228184942.png]]

错误使⽤
#include <iostream>  
using namespace std; 

int main ()  
{  
	int arr[] = {1,2,3,4,5};  
	memset(arr, 1, 4 * sizeof(int));  
	for(auto e : arr)  
	{  
		cout << e << " ";  
	}  
	cout << endl;  
	return 0;  
}

![[Pasted image 20250228201247.png]]

当value设置为1或者其他⾮0的数字时,打印结果不符合预期
主要原因是 memset 函数是给每个字节设置 value 值,⽽⼀个整型元素占⽤4个字节,⼀个整型的每个字节都被设置为1,⼆进制就是: 00000001000000010000000100000001 ,转换成⼗进制就是: 16843009 ,因此结果是不符合预期的。

memcpy拷⻉数组内容

在使⽤数组的时候,有时候我们需要将数组a的内容给数组b
![[Pasted image 20250228201556.png]]

C++中有⼀个库函数 memcpy 可以做数组内容的拷⻉,当然 memcpy 其实是⽤来做内存块的拷⻉的,当然⽤来做数组内容的拷⻉也是没问题的

void * memcpy ( void * destination, const void * source, size_t num );
  • destination – ⽬标空间的起始地址
  • source – 源数据空间的起始地址
  • num – 拷⻉的数据的字节个数
#include <iostream>  
#include <cstring>  
using namespace std;  

int main()  
{  
	int a[10] = {1,2,3,4,5,6,7,8,9,10};  
	int b[10] = {0};  
	memcpy(b, a, 10 * sizeof(int));  
	for(int e: b)  
	{  
		cout << e << " ";  
	}  
	
	return 0;  
}

当然如果拷⻉ double 类型的数组时,计算时应该使⽤ sizeof(double) ,要灵活变化

腾讯会议录屏损坏修复:使用 recover_mp4 工具的完整解决方案 腾讯会议录屏损坏修复指南 当腾讯会议录屏因电脑蓝屏等意外导致MP4文件损坏时,可使用recover_mp4工具结合FFMPEG进行修复。操作步骤包括:1)准备相同参数正常视频作为参考;2)分析正常视频生成结构文件;3)分离损坏视频的音视频流;4)使用FFMPEG重新封装。该方法能有效修复因意外中断导致的视频索引损坏问题。修复前需将工具和文件放在同一目录下,并确保参考视频与损坏录屏的参数完全一致。 阅读详情

相关推荐

Mumax3代码模板:从基础设置到材料参数优化

本文提供了一份详尽的Mumax3微磁学模拟代码模板,从基础网格设置、边界条件到核心材料参数(如钴的Msat、Aex、Ku1)配置与优化均有涵盖。文章深入解析了特征长度计算、初始化方法、弛豫与动力学模拟流程,并分享了并行计算与参数扫描等效率提升技巧,旨在帮助用户快速上手并优化模拟工作流。

moss5的博客 702

【算法】【蓝桥杯】蓝桥杯常用函数头文件以及C++11代替

memset函数在 #include<string.h> sort函数在 #include<algorithm> 因为蓝桥杯没有c++11语法,无法使用auto函数,创建迭代器需要 迭代器定义::iterator 如 map<int,int>::iterater it= ma.begin() abs,sqrt函数在 #include<math.h> ...

Elephant_King的博客 4052

基于微信小程序的扫码签到系统源码

大等于jdk1.8,大于mysql5.5,idea(eclipse),微信开发者工具。代码注释齐全,没有多余代码,适合学习(毕设),二次开发,包含论文技术相关文档。签到管理:新增签到,点击查看码展示二维码(有时效性)springboot mybatis 小程序。签到管理:查看用户创建的签到,可删除。用户管理:查看注册用户信息,及删除。签到记录:查看用户签到记录:可删除。个人信息:展示个人信息,可修改。统计分析:查看用户,签到数量。签到记录:查看用户签到记录。登录注册(含授权登录)我的签到:查看签到记录。

wfuhui的博客 5224

日期0628-0701 Python练习002

企业发放的奖金根据利润提成。利润(I)低于或等于10万元时,奖金可提10%; 利润高于10万元,低于20万元时,低于10万元的部分按10%提成,高于10万元的部分,可提成7.5%; 20万到40万之间时,高于20万元的部分,可提成5%; 40万到60万之间时高于40万元的部分,可提成3%; 60万到100万之间时,高于60万元的部分,可提成1.5%; 高于100万元时,超过100万元的部...

weixin_30752699的博客 541

把 Client 当成 ABAP 系统的多租户底座:从 sy-mandt 到 CDS_CLIENT 的隔离机制与工程实践

本文深入解析SAP ABAP系统中Client概念的本质与应用。Client不仅是数据表的MANDT字段,更是会话级别的隔离边界,贯穿用户登录、授权和数据访问控制全过程。文章从ABAP SQL的隐式Client处理机制出发,详细介绍了USING CLIENT、USING ALL CLIENTS等安全跨客户端访问方式,并对比了传统CLIENT SPECIFIED的风险。同时阐述了ABAP CDS中@ClientHandling注解的类型与算法选择,包括#AUTOMATED自动拼接和#SESSION_VARIA

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 182

dolphinscheduler集群服务一键安装启动实现流程剖析

通过以上分析我们基本梳理清楚了整个dolphinscheduler项目的一键安装启动逻辑, 我们现在在通过一张图正好理一下整个实现流程。关于一键停止集群服务及一件查询集群各个角色服务实例运行状态的实现也都在stop-all.sh/status-all.sh及dolphinscheduler-daemon.sh这三个脚本中, 有兴趣自行研究。写这篇文章的核心目的不仅在于给大家分享如何优秀的开源项目的一键安装部署的实现过程。

最爱嫣夜来 1207

试题 算法提高 c++_ch10_02【蓝桥杯】

在vector容器中实现指定字符串的排序(超级详解),适合小白进阶。

在猴站学算法 381

手把手教你学simulink实例--基于Simulink的船舶发电柴油机建模与健康状态研究

船舶发电柴油机是现代船舶电力系统的核心设备,为船舶提供稳定的电能供应。然而,由于长期运行在复杂的海洋环境中,船舶发电柴油机容易受到磨损、腐蚀和疲劳等损伤的影响,导致其性能下降甚至发生故障。因此,对船舶发电柴油机进行建模和健康状态监测具有重要意义。本项目旨在使用MATLAB/Simulink平台,建立船舶发电柴油机的动力学模型,并通过仿真分析其健康状态,预测潜在故障,从而提高船舶运行的安全性和经济性。

MHD0815的博客 1325

练习之蓝桥杯备考(6)

对于整型变量的设置:设置为0,不会出现值改变,而将值改变为其他的,则会发生改变,因为memset针对的是字节个数。自动推导出变量的类型。

z2903797948的博客 328

【2025最新版】间接平差——以水准网平差为例 (python详细过程版)

水准网间接平差的python代码实现。博客长期更新,本文最新更新时间为:2025年5月20日。

点云侠的博客 1702

冠层分析法提取叶面积指数及其应用

冠层分析法是利用植物冠层空间结构分析LAI的方法。其基本原理是通过相机或扫描仪对植物冠层垂直方向的照片或图像进行获取,再运用图像处理方法实现植被的自动识别和覆盖度计算,以此推算LAI。假设有一块田地,需测量其LAI,首先在田地中央设置一杆高度为3米、朝向田地中心、覆盖角度为50度的相机。利用上述函数,对相机采集到的图像进行处理,即可得到田地的LAI。在Matlab中,读取图片可以使用imread函数,对图片进行预处理可以使用imadjust函数调整灰度,使用imbinarize函数进行二值化处理。

m0_47037246的博客 739

蓝桥杯赛前20190323

2019.3.23 1. 比赛开始前: 为全部题目建立文件,预写头文件、模版与函数主体 为每个题目建立多个测试数据文件 #include <stdio.h> // #include <cstdio> int main() { freopen(“a1.txt”, “r”, stdin); } 2. 阅读题目 考虑空间复杂度 百万(10610^6106)以上...

zhaohaibo的博客 650

【产品】 产品设计:如何解决铝合金氧化着色后表面硬度低的问题(硬质氧化)

1、氧化处理技术 1)化学氧化 化学氧化处理所获得的膜层较薄,一般厚度为0.5μm ~4μm,质软不耐磨,抗蚀能力低于阳极氧化膜。 一般不宜单独便用,由于化学氧化膜吸附能力好,主要作用于油漆的底层,化学氧化按其溶液性可分为碱性和酸性两种。按其膜层性质可分为氧化膜,磷酸盐膜、铬酸盐膜及磷酸一铬酸盐膜等(这类型的氧化膜是可导电)。 2)电化学氧化(阳极氧化) 电化学氧化(俗称阳极氧化)是铝及...

产品线负责人 9741

备战蓝桥杯国赛(7)

这里的 e 是一个单独的变量,不是数组元素,所以对 e 的修改不会影响数组。auto 的主要用途是让编译器自动推导出变量的类型。ptr – 指针:指向了要设置的内存块的起始位置。destination – 目标空间的起始地址。memset 是用来设置内存的,将内存中的值。source – 源数据空间的起始地址。语句 //多条语句需要加大括号。num – 拷贝的数据的字节个数。设置成想要的内容,需要头文件。value – 要设置的值。num – 设置的字节个数。

ren04918的博客 471

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

蓝桥杯STL

c++基础 c=max(a,b); c=min(a,b); //交换变量值 swap(a,b) //绝对值 m=abs(m); //查找 lower_bound(first,last,value);//查找有序数组第一个小于等于value的值 upper_bound(first,last,value);//查找有序数组第一个大于等于value的值 //引用 取别名就是小名 int a=10; int &b=a; //对b的操作也就是对a的操作,a,

浮生未歇 1156

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")

从C过渡到C++(蓝桥杯)STL常见用法 第四篇:STL——string(*)

1.STL——string(*) 概念:相当于char*的封装,理解为字符串 1.1简单使用 1.1.1定义字符串的打印 /**C中定义字符串以及打印*/ char *ch="asdkajbf"; //char ch[10]={"sakjl"}; for(int i=0;ch[i]!='\0';i++) cout<<*(ch+i); /**C++中*/ string s="ssadaffw"; cout<<s<<endl; 1.1.2获取一行字符串 hello

浮生未歇 624

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

蓝桥杯竞赛向(C/C++语言)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档。

weixin_62188419的博客 2822

【蓝桥杯历年题】2020蓝桥杯A组省赛第二场(10.17)【含蓝桥杯官网提交地址】

文章目录第一题:门牌制作(枚举)答案:624第二题:既约分数(最大公约数)答案:2481215第三题:蛇形填数 题目链接 第一题:门牌制作(枚举) 答案:624 #include <iostream> using namespace std; int get(int x) { int res = 0; while(x){ if(x % 10 == 2) res++; x /= 10; } return res; } int

py今天刷题了吗 1593

去你的蓝桥杯练习系统,C++11的新特性一个都用不了!!!

文章目录事情起因:第一次报错:经过多番资料查阅然后就第二次报错了最后我用unodered_map和map进行了效率比较 事情起因: 开开心心的拿起这道九宫重排开始做题。。。 然后开始编写代码:经过本地调试,测试用例通过都没问题,准备到蓝桥杯网站提交。。。 代码在这 #include<bits/stdc++.h> using namespace std; //建立一个结构体,以便存下pos用于操作 typedef struct{ string s; int pos; }gr

CppYyds的博客 5894

13届蓝桥杯c++组日常练习问题记录

13届蓝桥杯c++组日常练习问题记录.md 以下内容皆收集于相关博客,如有侵权请联系我删除! 一、常用函数 1、C++ STL中 next_permutation函数的用法 1.1 输出序列{1,2,3,4}字典序的全排列。 #include <iostream> #include<algorithm> using namespace std; int main(int argc, char** argv) { int a[4]={1,2,3,4}; sort(a,a+4)

sgsx11的博客 2994

蓝桥杯竞赛C/C++组不支持C++11特性

所以不能使用to_string、stoi、stol、auto、unordered_map、unordered_set这些好用的函数啦~ 官方给出的解释是: 问:假如是面向企业的为什么不用11标准? 答:因为企业最大资产是源程序,在已经存在的所有源程序中,89标准的占一半以上,加上99标准的占绝大部分,11标准的凤毛麟角。 而且技术并非唯一决定因素,企业要综合考虑许多问题。 比如,你的程...

柳婼 の blog 9975

蓝桥杯C++使用unordered_set和unordered_map报错如何处理

拿神盾与积木游戏这道题来讲,按照正常情况,我使用了unordered_set和auto,然后结果使劲报错: 解决方法1: 在导入所有的unordered_xx包的时候,添加tr1,然后使用 using namespace std::tr1如: #include<tr1/unordered_set> #include<tr1/unordered_map> using namespace std::tr1; 还有记得auto不能使用。 解决方法2: 将所有的unordered_去掉,

wxl 2490

【解题报告+思路拓展】蓝桥杯 拉马车 2017年C组真题

励志用更少的代码做更高效的表达 题目描述 小的时候,你玩过纸牌游戏吗? 有一种叫做“拉马车”的游戏,规则很简单,却很吸引小朋友。 其规则简述如下: 假设参加游戏的小朋友是A和B,游戏开始的时候,他们得到的随机的纸牌序列如下: A方:[K, 8, X, K, A, 2, A, 9, 5, A] B方:[2, 7, K, 5, J, 5, Q, 6, K, 4] 其中的X表示“10”,我们忽略了纸牌的花色。 从A方开始,A、B双方轮流出牌。 当轮到某一方出牌时,他从自己的纸牌队列的头部拿走一张,放到

weixin_43899069的博客 1953

关于蓝桥杯的考生须知和要求

2017蓝桥杯模拟,考生要求

one_dayR的博客 3万+

acwing蓝桥杯

写在前面 距离这届蓝桥杯已经过了八个月了,一直没总结算法,实在是太懒了,懒狗一条... 考前看知乎上说蓝桥杯一个月准备可以拿省一,当时还真信了,不过也可能是我有点懒,准备也不够一个月,没有专门投入太多,刷的题也不多,后面快考的时候直接摆烂了,觉得可能没啥希望,就随便看看真题了,最后就拿了个江苏CA省二,排位大概省二中上一点的样子,聊胜于无吧,没啥意思,我只想说,***退钱!!! 如果没啥竞赛基础的同学建议先看一下胡凡的《算法笔记》,这本书挺适合入门的,可以了解到算法竞赛中的大致考点,看完后就可以直接对应刷题

meteox的博客 1万+

蓝桥杯注意事项

不能用 long long

ivhs的博客 2519
上一篇: NO.20十六届蓝桥杯模拟赛第三期下
下一篇: NO.22十六届蓝桥杯备战|一维数组|七道练习|冒泡排序(C++)
ChoSeitaku
博客等级 码龄5年 3452粉丝 557原创
评论
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
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