各位大佬，请教c++编程。（1）设计一个日期类（TDate）并派生出TNormalDate、 140
功能要求：假定需要遵从不同用户的习惯来显示日期，如“2018-04-22”或“22/4/2018”等，按约定和要求完成程序。
功能要求及说明：
（1）设计一个日期类（TDate）并派生出TNormalDate、TFormatDate两个格式化日期类，分别以格式“2018-04-22”、“22/4/2018”显示用户给定的一个日期（年、月、日），除按约定格式显示日期的功能外，有关日期的其它处理功能都不作要求；
（2）设计主程序（main函数），提示用户输入一个日期，并在提示用户输入日期显示格式（1表示Normal格式，2表示Format格式）后，将该日期按要求显示在屏幕上；
（3）可以反复对同一个日期设置不同显示格式；
（4）可以输入多个不同的日期；
支持将所有操作结果（用户输入的日期，显示格式，显示结果）输出到一个文本文件（date.log），多次运行程序时，该文本文件的已有内容不能被覆盖。 展开
其实，要逼自己很简单，两条路任你选。
就业
选择就业，学东西一定是最快的。如果不够快，就想想你的梦想、你的工资、你的奖金吧。
虽然AI行业充满了“爱与理想”，但我们不得不承认，跟随这股AI潮，很多人主要还是冲着高薪去的。不用再花家里钱，还可以边学AI边赚大钱，听起来简直美梦一桩。不过，美梦，也只能是美梦。
本科刚毕业的科班出身程序猿，在AI行业中能做什么？
很遗憾的告诉你，你有极大可能会长期从事非常基础的业务。运气不好的没准就变身为AI搬砖工——数据标记师，整日为训练AI的数据集里添砖加瓦。如果运气良好，那可能整日就是跑跑模型、调调参数。你所想的搭建算法、底层设计，可能通通都不存在。
不仅如此，这些你或许有些嫌弃的工作，也仍然需要一些相关能力来帮你取得offer。
首先肯定是基础开发的能力。虽然短期之内，你在工作岗位上不一定会接触到算法设计和算法实现。但即使是跑模型调参数，也需要有一些基础的理解，还要能紧密地跟进整个工作流程。
而且，既然要通过工作岗位学习，知道自己在做什么，能做什么，下一步想做什么十分必要。这些均建立在基础开发能力上。
其次是数学基础，尤其是概率和统计基础。典型的如最大似然估计、最大后验估计、EM 算法等这些可以应用于绝大部分模型的理论更是要重点掌握，是基础中的基础。就算给数据集搬砖，也要理解数据的分布，这样才能知道该对它们做什么样的处理。
至于开发语言、开发工具、ML理论则更不用说。一个认识只停留在AlphaGo超厉害的求职者，公司是没有地方安放其放荡不羁的灵魂的。
泼了那么多冷水，那么就业入行AI的意义何在？
工作与上课最大的不同点，就是你的知识来源将非常直接、多样化。
首先，获取知识的渠道会更直接。你的同事、你的领导会成为你最直接的知识来源，他们的经验一定会让你用最短的时间学会最具体的东西。
其次，获取知识的渠道也会更加多样化。你可以继续做学生时代做的事，查找资料、阅读书籍论文，同时你也可以与坐在身旁的同事头脑风暴，在会议中碰撞思想。
另一个不同，是实践将会大于理论。在学校学习，你很难获得开展一个项目的动力，而工作则是完全建立在项目之上的。由此，你的动手能力一定会有极大的提升。
进修
如果说通过就业学习AI是一个拥有变态难度的副本，那么进修则看起来要简单许多。只不过，这条路要付出更多的时间成本和金钱成本。
但是，无论你选择出国留学还是保研考研，想要在AI领域学得进去、学得明白，仍然有需要你在本科期间注意的地方。
首先是编程能力。这里的编程能力并非是让你买一堆Python入门、Python实战。而是C语言及C++。当你开始AI进修，底层设计将会是你的重要课题。而要看懂各种顶会论文，基础不牢一定不行。
其次要学好数学及英语。数学不用说，算法实现、数据处理，靠的都是扎实的数学基础。
而英语，是快速掌握Python的利器，也是进修学习的基础。要知道，中文的著作也好、论文也好，优秀的数量不多，至于各种顶会论文，那更是想都不用想，一定是英文。要是看个论文还得一边查字典一边想代码，不仅没有效率，还极有可能傻傻学不清楚。
最后一点，也是最重要的一点，就是发掘自己感兴趣的领域。人工智能是一个宏观的概念，其中的细分领域数量庞大，而当中的一些甚至属于发家致富的雷区。
例如深度学习。深度学习是AI最值得探索的领域之一，也是离市场、离发家致富最远的领域之一。
纵观AI发展史就能看到，AI之所以最近几年才大火，就是因为之前的科学家过于沉迷DL研究，渴望找到快速而有效地提升AI智能的方式，甚至制造“强人工智能”。研究难度系数直线上升不说，还与实际越发遥远。可以说，研究DL的人这辈子一定是个用理想喂饱自己的折翼天使。
因此，选好适合自己的研究领域，非常重要。
读芯君开扒
搞AI研究，一定要读研？
想成为AI界的扛把子却还在读研与就业之间摇摆不定？其实在AI领域，就业也同样能够继续研究事业。
就AI行业的现状而言，业界和学界联系十分紧密。这主要是由于学界的研究领域细分与行业细分相差无几。学界在研究的语音识别“鸡尾酒会”效应，也是业界关注的重点。业界应用广泛的图像识别，是学界最关心的领域之一。
那么，如何达成AI研究型人才的成就呢？多思考多应用，在学界与业界中广泛寻找问题的答案，相信，你一定可以！
