C++Primer第五版:练习3.17 3.18 3.19 3.20

练习3.17

#include<iostream>
#include<cctype>
using namespace std;

int main()
{
	vector<string> svec;
	string word;

	while (cin >> word)
		svec.push_back(word);
	for (auto& word : svec)
	{
		for (auto& i : word)
			i = toupper(i);
	}

	for (auto i : svec)
		cout << i << endl;
}

练习3.18

int main()
{
	vector<int> ivec;
	ivec.push_back(42);
}

练习3.19

int main()
{
	vector<int> vec1(10, 42);
	
	vector<int> vec2;
	for (int i = 0; i != 10; ++i)
		vec2.push_back(42);

	vector<int> vec3{ 42,42,42,42,42,42,42,42,42,42 };
}

第一种方法更好,值相同,设定大小更好

练习3.20

int main()
{
	vector<int> vec;
	int n;

	while (cin >> n)
		vec.push_back(n);
	for (auto i = 0; i != vec.size() - 1; ++i)
		cout << vec[i] + vec[i + 1] << " ";
	cout << endl;

	for (auto i = 0; i != (vec.size() - 1) / 2; ++i)
	{
		cout << vec[i] + vec[vec.size() - 1 - i] << " ";
	}
	if (vec.size() % 2 == 1)
		cout << "中间:" << vec[(vec.size() - 1) / 2];
}
内容概要:本文档详细介绍了如何在MATLAB环境下实现CNN-GRU(卷积门控循环单元)混合模型的多输入单输出回归预测。项目旨在通过融合CNN的局部特征提取能力和GRU的时序依赖捕捉能力,解决传统序列模型在处理非线性、高维、多输入特征数据时的局限性。文档涵盖了项目背景、目标、挑战及其解决方案,强调了模型的轻量化、高效性和可视化全流程追踪等特点。此外,还提供了具体的应用领域,如智能电网负荷预测、金融时间序列建模等,并附有详细的代码示例,包括数据加载与预处理、网络结构定义、训练选项设置、模型训练与预测以及结果可视化等步骤。; 适合人群:对深度学习有一定了解,特别是对时间序列预测感兴趣的科研人员或工程师。; 使用场景及目标:①需要处理多输入单输出的非线性回归预测任务;②希望在MATLAB平台上快速实现并优化深度学习模型;③寻求一种高效、轻量且具有良好泛化能力的预测模型应用于实际场景中,如智能电网、金融分析、交通流量预测等领域。; 阅读建议:由于文档内容涉及较多的技术细节和代码实现,建议读者先熟悉CNN和GRU的基本概念,同时掌握MATLAB的基础操作。在阅读过程中,可以结合提供的代码示例进行实践操作,以便更好地理解和掌握CNN-GRU混合模型的构建与应用。
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