(C语言)实现菜单模块功能(二)(数组及应用):

实现菜单模块功能(四) 这里写目录标题实验项目4 (文件、结构体、数组综合应用):菜单第1项完成菜单第2项完成菜单第3项完成菜单第4项完成菜单第5项完成代码 实验项目4 (文件、结构体、数组综合应用): 菜单第1项完成 创建包含上述学生信息的文件:“student.data”,并输出学生信息; 菜单第2项完成 将学生信息文件“student.data”数据读到一个数组s中,统计学生个数,将数组s按学号从小到大排序后输出到屏幕和文件 “s_no.data”中。 菜单第3项完成 将学生信息从数组s中拷贝到数组s_name中,将s_n 阅读详情

菜单第1项完成:

输入一组整数,以-1作为结束的标志,用数组s接收这组数,输出数组中元素的个数和所有元素的值(规定这组数不超过100个,数组中的元素值可以重复出现;例如,输入6 9 5 4 6 7 5 6 8 6 6 2 3 -1,则元素个数为:13) 。

菜单第2项完成:

在完成第1项的基础上,输入一个整数x,将s中值等于输入值x的所有元素从数组中删除,并输出删除后元素的个数和数组元素的各个值(例如, 输入6,则结果为:个数=8 ; 数组元素为: 9 , 5, 4 , 7 ,5 , 8 ,2 ,3 )。

菜单第3项完成:

在完成第2项的基础上,将数组s按从小到大的顺序排序后输出。

菜单第4项完成:

在完成第3项的基础上,输入一个整数,将其插在s的合适位置上,保持从小到大的顺序不变,并输出插入后元素的个数和数组元素的各个值。

菜单第5项完成:

在完成第4项的基础上,求这组数的平均值并输出。

注意:

1、由于需要对数组中的元素进行插入和删除运算,规定操作过程中数的个数不超过100个,定义的数组大小为100即可,有可能浪费;在多种操作中需要知道数组中元素的个数,一定要想办法记住每一项操作前后数组中元素的个数。
2、由于输出数组元素要多次使用,可以编一输出函数,多次调用完成输出。

代码:

#include<stdio.h>
int one(int s[]);
int two(int s[],int x);
void three(int s[],int x);
int four(int s[],int x);
void five(int s[],int x);
int main()
{
 int x,n;
 int s[100];
 printf("请输入你要进行的操作序号:\n");
 do{
  printf("1:输入输出整数\n");
  printf("2:删除某个元素\n");
  printf("3:排序\n");
  printf("4:添加\n");
  printf("5:求平均值\n");
  printf("6:退出程序\n");
  scanf("%d",&n);
 switch(n)
 {
 case 1:
   x=one(s);
   break;
 case 2:
  x=two(s,x);
  break;
 case 3:
  three(s,x);
  break;
 case 4:
  x=four(s,x);
  break;
 case 5:
  five(s,x);
  break;
 }
 }while(n!=6);
}
int one(int s[])
{
 int i=0,j;
 printf("请输入一组整数一‘-1’作为结尾:");
    do{
  scanf("%d",&s[i]);
  i++;
 }while(s[i-1]!=-1);
 printf("共有%d个",i-1);
 printf("输入的整数:");
 for(j=0;j<i-1;j++)
 {
  printf("%5d",s[j]);
 }
 printf("\n");
 return i-1;
}
int two(int s[],int x)
{
 int i=0,j,a;
 printf("请输入要删除的数字:");
 scanf("%d",&a);
 for(i;i<x;i++)
 {
  if(s[i]==a)
  {
   for(j=i;j<x-1;j++)
   {
    s[j]=s[j+1];
   }
   x--;
   i--;
  }
 }
 printf("删除后整数个数为:%d\n",x);
 printf("删除后的整数都为:\n");
 for(i=0;i<x;i++)
 {
  printf("%5d",s[i]);
 }
 printf("\n");
 return x;
}
void three(int s[],int x)
{
 int i,j,k,team;
 for(i=0;i<x;i++)
 {
  k=i;
  for(j=i;j<x;j++)
  {
   if(s[j]<s[k])
   {
    k=j;
   }
  }
  if(k!=i)
  {
   team=s[i];
   s[i]=s[k];
   s[k]=team;
  }
 }
 for(i=0;i<x;i++)
 {
  printf("%4d",s[i]);
 }
 printf("\n");
}
int four(int s[],int x)
{
 printf("请输入要加入的整数:");
 scanf("%d",&s[x]);
 x++;
 printf("加入后整数的个数为:%d",x);
 printf("\n");
 three(s,x);
 printf("\n");
 return x;
}void five(int s[],int x)
{
 int i;
 float sum=0.0;
 for(i=0;i<x;i++)
 {
  sum=sum+s[i];
 }
 printf("平均值为:%f",sum/x);
 printf("\n");
}

若有不足,可以留言。谢谢!!!

C语言利用数组和文件登录注册功能 C语言利用文件系统实现简单的用户登录和注册功能 版本一:利用数组 最近有个朋友让我帮他做一个C语言的登录注册功能,考虑到他没有学到数据库于是想到了存入文件 此版本使用的数组,第二个版本使用的是链表,链表是一个很好的数据结构,推荐大家用链表 话不多说上代码 #include &amp;amp;amp;amp;lt;stdio.h&amp;amp;amp;amp;gt; #include &amp;amp;amp;amp;lt;stdlib.h&amp;amp; 阅读详情

相关推荐

用C语言实现三子棋小游戏(C语言菜单创建--设置光标,隐藏光标)

文章目录前言一、菜单设置二、三子棋游戏1.各部分代码2.运行结果总结 前言 本文主要用C语言实现三子棋(简易版)小游戏,同时介绍C语言中的菜单设置。 一、菜单设置 我们在C语言中设置菜单一般如下: 例:设置一个简单的游戏菜单 void menu() { printf("*******************************\n"); printf("************三子棋**************\n"); printf("***1.play*******0.exit******

m0_53689542的博客 5209

数组菜单分类

function tree($arr,&$arr2=array(),$per_id=0,$lv=0){ static $i=0; //从0开始 if ((bool)$arr) { foreach ($arr as $value) { if ($value['col_pid']==$per_id) {

雷绍发 496

【C语言】——扫雷游戏的实现(超详细!)

让我们自己做个扫雷游戏,以对前面的知识做一个巩固吧

yusjushd的博客 1448

【C 语言】数组 ( 指针数组用法 | 菜单选择 )

一、指针数组用法 ( 菜单选择 )、 二、完整代码示例

让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 ) 1882

C语言 数组的应用————扫雷

在上一篇博客中我们实现了简单的三子棋小游戏,初步运用了二维数组,今天还是用二维数组来实现另一个小游戏——扫雷的基础版本,写这两个小游戏的目的主要是理解并运用数组,同时巩固前面学习的知识比如循环和函数等等,将其结合具体情况解决我们的需要。

weixin_64099089的博客 3420

C语言实现控制台菜单系统

在计算机软件开发中,控制台应用程序以其简洁高效的特点受到许多开发者的青睐。控制台菜单,作为一种交互界面,为用户提供了直观的操作指令。它通过命令行提示用户输入,接收用户的选择,并根据选择执行相应的功能,从而实现人机交互。在本章中,我们将介绍控制台菜单的基础概念,并探讨其在不同应用中的重要性。我们将从菜单的基本组成元素说起,再到实现菜单逻辑的方法,以及如何通过用户输入获得反馈并进行功能的执行。例如,当一个控制台应用程序启动后,用户可能会看到如下菜单:欢迎使用控制台菜单系统1. 打印当前日期和时间。

weixin_36288992的博客 1251

菜单选择(C语言)

【代码】菜单选择(3道题)

归忆_AC的博客 1647

菜单设计 实验2级以上弹出式菜单功能

题目:菜单设计 功能:实现2级以上弹出式菜单功能

C语言多级菜单框架

c语言多级菜单切换

路过的熊的博客 1906

C语言两级菜单(对于大内存可扩展N级菜单,构架很好,易于移植)V1.0

#include "menu.h" //菜单资源头文件 #include "menu_res.h" //外部显示库函数 #include "lcm.h" /* 名称:C语言两级菜单(对于大内存可扩展N级菜单)V1.0 作者:中国传惠 Transmart gongxd@126.com 单位:山东科技大学 时间:2009-3-4 编译环境: IDE-Version: uVision3 V3.33 Copyright (c) Keil Elektronik GmbH / Keil Software, Inc 2006 License Information: gongxd 微软用户 微软中国 LIC=BU373-A1HZU-EZJW0-DRWR6-C682M-E9HMS Tool Version Numbers: 工具链路径:C:\Keil\C51\BIN\ C Compiler: C51.Exe V8.05a Assembler: A51.Exe Linker/Locator: BL51.Exe V6.00 Librarian: LIB51.Exe V4.24 Hex Converter: OH51.Exe V2.6 CPU DLL: S8051.DLL V3.06 Dialog DLL: DP51.DLL V2.48b Target DLL: C:\KEIL\VW_C.DLL Dialog DLL: TP51.DLL V2.48b 使用说明: 1.向"menu_res.h"中添加菜单列表 2.向 "Menu_Function.h"中添加菜单响应函数声明 3.在"lcm.h"中替换自己的外部显示库函数,可以用类似的宏定义#define DisplayFunction(int,int) MyDisplayFunction(int,int) 其中"lcm.h"的X,Y坐标起始定义为0,0 (0,0)X------> Y | | \|/ */ #include "Menu_Function.h" //菜单条目格式 //{要显示的的菜单文本,子菜单号,功能函数地址) MenuItemStruct code MenuMain[]={ {"主1 条目1",1,Null}, {"主1 条目2",2,Null}, {"主1 条目3",3,Null}, {"功能函数1",MenuHasFunction,MenuFuntion1}, {"主1 条目5",0,Null}, }; MenuItemStruct code MenuSub1[]={ {"次1 条目1",0,Null}, {"次1 条目2",0,Null}, {"功能函数2",MenuHasFunction,MenuFuntion2}, {"次1 条目4",0,Null}, {"次1 条目5",0,Null}, {"次1 条目6",0,Null}, }; MenuItemStruct code MenuSub2[]={ {"次2 条目1",0,Null}, {"次2 条目2",0,Null}, {"次2 条目3",0,Null}, }; MenuItemStruct code MenuSub3[]={ {"次3 条目1",0,Null}, {"次3 条目2",0,Null}, {"次3 条目3",0,Null}, {"次3 条目4",0,Null}, {"次3 条目5",0,Null}, {"次3 条目6",0,Null}, {"次3 条目7",0,Null}, {"次3 条目8",0,Null}, {"次3 条目9",0,Null}, }; //菜单板列表 MenuPanelStruct code MenuPanel[]={ {MenuPanelID(MenuMain)}, {MenuPanelID(MenuSub1)}, {MenuPanelID(MenuSub2)}, {MenuPanelID(MenuSub3)}, };

汽车LED驱动芯片TPS92682-Q1 SPI接口配置与调试实战指南

SPI(串行外设接口)作为一种高速、全双工的同步串行通信总线,广泛应用于微控制器与外围设备之间的数据交换。其工作原理基于主从架构,通过时钟、数据线和片选信号实现设备间的精准时序控制。在汽车电子和工业控制领域,SPI因其简单高效、易于扩展的特性,成为配置复杂电源管理芯片、传感器和存储器的关键技术。通过SPI接口,工程师能够动态调整设备参数、实时读取状态信息,并实现复杂的故障诊断与保护策略,极大地提升了系统的灵活性与可靠性。本文以汽车级双通道LED恒流驱动器TPS92682-Q1为例,深入解析如何通过SPI接口

weixin_29185493的博客 288

c语言菜单即功能,C语言 菜单专题

C语言程序设计菜单的制作只要使用到输入输出函数、循环(死循环)控制、多分支语句结构、跳转语句break和return和exit、系统擦屏、清除缓冲区、暂停等函数。1)通过输出函数罗列出函数功能printf("\t\t\t数组基本功能菜单\n");printf("\t\t\t 作者:***\n");printf("\t\t\t====================\n");printf("\t\t...

weixin_31879641的博客 4536

jenkins连接外部k8s集群

k8s连接集群外Jenkins

liuchao666888的博客 1527

C语言菜单功能作用,[C语言] 实现简单的菜单式互动程序

1.程序编写目的编写该程序主要是为了熟悉C语言中的一些常用函数与循环语句的用法,并锻炼自己对于程序设计的逻辑,这对于初学者来说是十分必要的。需要说明的是,本次菜单互动程序为模拟银行存取款的程序2.实现该程序所需要的技术2.1常用函数printf() scanf() getchar()等具体语法:int a = 3;printf("%d",a);其中,%d用来输出整型变量(int 在64位中占4个字...

weixin_30957307的博客 3156

睿尔曼超轻量仿人机械臂-ROS第一篇 启动机械臂的Moveit

本文主要讲述了睿尔曼六轴机械臂在ROS中的功能包配置,及如何根据文件启动Moveit做仿真。

realman_Rop的博客 7489

小蔺的米哈游数据分析师之路——MYSQL篇

作为新人,记录自己mysql学习历程

weixin_47070228的博客 434

C语言基础:扫雷游戏的C语言实现(超详图解+源码)

友友们好,今天和大家一起做一个简单的——扫雷小游戏。如下:扫雷的规则很简单。盘面上有许多方格,方格中随机分布着一些雷。你的目标是避开雷,打开其他所有格子。一个非雷格中的数字表示其相邻8格中的雷数,你可以利用这个信息推导出安全格和雷的位置。打开所有安全格将被判定为胜利,打开雷将被判定为失败。

linsc_05的博客 1万+

非洲秃鹫优化算法(AVOA)详解:从原理到实战

非洲秃鹫优化算法(AVOA)是一种模拟秃鹫觅食行为的元启发式算法。该算法通过数学建模秃鹫的群体分工、饥饿感知和食物竞争等行为,将优化问题转化为智能觅食过程。AVOA包含四个关键阶段:(1)种群初始化与最佳秃鹫选择;(2)饥饿率控制探索与开发平衡;(3)探索阶段模拟远距离飞行搜索;(4)开发阶段模拟食物源附近的竞争行为。算法采用饥饿率函数实现自适应搜索,初期偏向全局探索,后期转向局部开发。实验表明AVOA在标准测试函数和工程设计问题上表现出优越性能,其创新性在于将秃鹫独特的生物学特性转化为高效的优化机制。

qq_42212808的博客 227

C语言实现入门级小游戏

上一期咱们用C语言实现了三子棋的小游戏 C语言实现三子棋 今天我们再来写个扫雷的游戏,说起扫雷,相信大家都不陌生,可能许多朋友还是玩扫雷的高手。 其实扫雷和三子棋有许多相似之处,都需要用到数组的知识。 今天的扫雷也是相当有趣的 由于博主是一个编程学习的小白,所以这只是扫雷的初级版,此版本有一些功能还无法实现,在后续的学习中,我会持续更新,不断对这个小游戏进行优化,期待大家的关注,还有,这篇文章中若有错误或不当的地方,欢迎大家指正! 关于这个扫雷项目的代码,.........

Living_Amethyst的博客 2万+

基于YOLOv11的军事目标识别系统设计与实现(坦克、舰船检测)

DOTA-v2.0(包含多种军事装备的航拍图像)图片数量:11,268类别:18类,包括坦克、舰船、战斗机等分辨率:800×800~4000×4000HRSC2016(高分辨率舰船检测数据集)图片数量:1,061类别:舰船及子类特点:包含多种视角和复杂背景图片数量:5,000+类别:22种军用飞机标注:精确边界框自建数据集建议收集来源:公开军事演习视频、卫星图像、模拟游戏截图数据增强:模拟不同天气、遮挡、低光照等战场环境。

YOLO 450

【100%通过率】2023华为od机试C卷【电脑病毒感染】C++ 实现

一个局域网内有很多台电脑,分别标注为 0 ~ N-1 的数字。相连接的电脑距离不一样,所以感染时间不一样,感染时间用t 表示。其中网络内一台电脑被病毒感染,求其感染网络内所有的电脑最少需要多长时间。如果最后有电脑不会感染,则返回-1.

MISAYAONE的博客 1726

基于C语言双向链表的菜单框架

本文详细介绍了菜单系统的设计规格及实现方法,主要内容包括: 菜单类型分类 固定菜单(条目数量固定) 动态菜单(条目数量由数据决定) 混合菜单(固定+动态结合) 输入菜单(如短信编辑) 核心数据结构 菜单表(MenuTable_t)和菜单项(MenuItem_t)定义静态结构 菜单管理表(MenuManageTable_t)管理菜单链表 菜单链表(MenuManageList_t)组织菜单节点 菜单节点(MenuIterator_t)存储菜单基本属性和方法 继承关系设计 采用面向对象思想,通过BrowseMe

qq_48553311的博客 1622

化工仿真软件:gPROMS二次开发_(1).gPROMS基础知识

在gPROMS中,模型是通过定义变量、参数和方程来创建的。模型可以是简单的单元操作,如换热器、反应器,也可以是复杂的系统,如整个化工流程。变量是模型中表示状态或输出的量。在gPROMS中,变量需要显式定义其类型和单位。# 定义变量VAR# 温度变量,单位为K# 压力变量,单位为Pa# 组分摩尔分数,数组变量参数是模型中表示常量或初始条件的量。参数同样需要定义其类型和单位。# 定义参数PAR# 理想气体常数,单位为J/(mol·K)# 反应器体积,单位为m^3# 初始摩尔数。

kkchenjj的博客 616

【C语言】如何用C语言实现扫雷游戏

用C语言实现简易的扫雷小游戏

2401_85032912的博客 1108

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

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")

餐厅菜单c语言,C语言实现餐饮管理与点餐系统

本文实例为大家分享了C语言实现餐饮管理与点餐系统的具体代码,供大家参考,具体内容如下一、项目简介1、本程序实现了用户的点餐功能,共包含五类菜品:凉菜、热菜、锅仔、主食、饮品。还有查看所点菜品与结束等功能。2、后台管理员:按a可进入,主页面并未提示。3、合理运用getch函数,清屏与暂停函数,页面整洁清爽。4、菜品与txt文件对应,可实现对程序与txt的同步增删改查等功能。5、使用了C语言很多基础语...

weixin_29496633的博客 5799

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

5. C语言之数组应用——扫雷小游戏的实现【含递归展开】

扫雷游戏是1992年发行的一款大众类益智游戏,对于许多80后、90后来说都是童年的回忆。如今三十年过去了,这款游戏依旧受到很多网友的喜爱,今天我们一起来模拟实现一下扫雷游戏。本文所用的编译器是VS2022。

分享C/C++/Linux/网络/数据库/数据结构 2293

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

上一篇: 算法图解第六章广度优先搜索(学习笔记)
下一篇: 实现菜单模块功能(一)。
不吃辣的IT男
博客等级 码龄7年 6560粉丝 63原创
评论 1
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

不吃辣的IT男

你的鼓励将是我创作的最大动力

¥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