【程序7】 题目:输入一行字符,分别统计出其中英文字母、空格、数字和其它字符的个数。 1.程序分析:利用while语句,条件为输入的字符不为 ‘\n ‘.

这是一个Java程序,用于接收用户输入的一行字符,然后统计其中数字、字母、空格和其他字符的个数。程序首先读取用户输入,然后遍历字符数组,分别计算不同类型的字符数量并输出结果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

package zuoYe;

import java.util.Scanner;

public class test07 {
    public static void main(String[] args) {
        Scanner in =new Scanner(System.in);
        System.out.println("请输入一行字符:");
        String str = in.nextLine();
        char ch[ ] =null;
         ch = str.toCharArray();
        
        int shu = 0;//数字数量
        int yw = 0;//英文数量
        int kg = 0; //空格个数
        int other = 0;//其他个数
        for(int i = 0;i<ch.length;i++){
            if(ch[i] >= '0' && ch[i] <= '9') {
                shu++;
            }else if((ch[i] >='a'&&ch[i] <='z')||(ch[i] >='A'&&ch[i] <='Z')){
                yw++;
            }else if(ch[i]==' '){
                kg++;
            }else{
                other++;
            }
        }
        System.out.println("数字的个数:"+shu);
        System.out.println("字母的个数:"+yw);
        System.out.println("空格的个数:"+kg);
        System.out.println("其他的个数:"+other);
    }
}
 

### CRNN PyTorch 实现概述 CRNN(卷积循环神经网络)是一种用于图像序列识别的强大模型,在场景文字识别等领域表现出色。该模型融合了CNN(卷积神经网络)、RNN(循环神经网络),并通过CTC Loss来优化训练过程[^1]。 #### 模型结构详解 CRNN 的架构主要由三部分组成: - **特征提取层**:采用多个卷积层和最大池化层组合而成,负责从输入图片中抽取有用的视觉特征。 - **序列建模层**:利用双向 LSTM 或 GRU 单元构建的 RNN 层,旨在捕捉字符间的依赖关系并预测可能的文字序列。 - **转录层**:通过 CTC 编码方式将上述两阶段产生的概率分布映射成最终的目标标签串[^4]。 ```python import torch.nn as nn class CRNN(nn.Module): def __init__(self, img_channel, img_height, img_width, num_class, map_to_seq_hidden=64, rnn_hidden=256, leaky_relu=False): super(CRNN, self).__init__() h = img_height // (2 ** 3) # cnn模块中的三次下采样操作会使得高度变为原来的(1/8) w = img_width // (2 ** 3) self.cnn = CNNBackend(img_channel, leaky_relu) self.map_to_sequence = MapToSequence(map_to_seq_hidden, h, w) self.sequence = Sequence(rnn_hidden, num_class) def forward(self, x): x = self.cnn(x) x = self.map_to_sequence(x) x = self.sequence(x) return x ``` 此代码片段展示了如何定义一个基本版本的 CRNN 类,其中包含了三个核心组件的具体实现方法[^3]。 #### 数据预处理与增强 对于文本行图像的数据集准备来说,通常需要执行如下几个步骤来进行必要的转换工作: - 将原始彩色或灰度图缩放到固定尺寸; - 对像素值做标准化处理以便于后续计算稳定收敛; - 应用随机仿射变换等手段增加样本多样性从而提升泛化能力[^5]。 ```python from torchvision import transforms transform = transforms.Compose([ transforms.Resize((img_h, img_w)), transforms.ToTensor(), ]) ``` 这段简单的 `transforms` 定义可以作为加载器的一部分应用于读取每张待训练图片之前的操作链路之中[^2]。
评论 1
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

打赏作者

新手菜鸟大白

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
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