小菜鸟成长记

#include<stdio.h>
#define N 100
typedef struct book

long nb;  //号
   char name[30];  //姓名
 //  float price;    //单价
   char phonenum[25];
  // char address[40];


}book;
int num=0,*pnum=&num;


int arrin( book a[],int *pnum)
//输入数组元素,个数num由程序中自己确定。
{ int i=*pnum;
  char ch1,ch2;
  printf("请输入数组元素值\n");
  while(1)
  { 
   // scanf("%d%c",a+i,&ch);
printf("输入序号:");
scanf("%ld",&a[i].nb);
printf("输入姓名:");
scanf("%s",a[i].name);
printf("输入号码:");
scanf("%s",&a[i].phonenum);
printf("输入数据及是否继续输入的字母:Y或y继续输入,N或n结束\n");
i++;
ch1=getchar();
ch2=getchar();
if((ch2=='N'||ch2=='n'))
{
break;
}

  }
  return i;
}
void arrout(book a[],int num)
//输出数组各元素值。共num个元素
{ int i;
  for(i=0;i<num;i++)
  printf("序号%ld,姓名%s,号码%s\n",a[i].nb,a[i].name,a[i].phonenum);
}
void insert(book a[],int pnum,int x)
//将x元素插入数组a的第index下标,
//元素个数加1
{  int i;
   if(x>pnum||x<0)
   { printf("数组下标越界,插入失败\n");
     return ;
   }
   //移出插入位置
for(i=x;i<pnum;i++)
{
a[i+1]=a[i];
}
printf("**************按提示输入要插入的数据************\n");
printf("请输入要插入的序号:\n");
scanf("%ld",&a[x].nb);
printf("请输入要插入的姓名:\n");
scanf("%s",a[x].name);
printf("请输入要插入的号码:\n");
scanf("%s",&a[x].phonenum);
printf("序号为%d的信息插入成功\n",x);
arrout(a,++pnum);

 


}


int findx(book a[],int n,long  x)
//函数值:下标或-1;形参--已知:数组a[],数组元素个数---地址, x:书号
{ int z=-1;
  int i;
  for(i=0;i<n;i++)
  {
if(a[i].nb==x)
z=i;
  }
  return z;
}
//void modify(){}
//void delele(){}
void main()
{ //int a[7]={45,68,79,21,94,25,46};
  book a[N];
  int y,index,i;
  i=arrin(a,&num);   //输入数组元素
  arrout(a,i);   //输入数组元素
printf("请输入要插入数据的插入下标y \n");
  scanf("%d",&y);
  insert(a,i,y); 

  printf("请输入要查找的序号\n");
  scanf("%d",&y);
  index=findx(a,i,y);
  if(index==-1) printf("不存在要找的号码\n");
  else printf("您要找的序号%d,下标为%d\n详细信息如下:序号%ld, 姓名:%s,号码%s\n",y,index,y,a[index].name,a[index].phonenum);
 
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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