指针和数组的区别

1.首先弄明白 声明和定义

声明:它所说明的并非自身,而是描述其他地方创建的对象。 也就是只告诉编译器对象的名字和类型,不分配内存,所以不需要提供数组长度等信息( 多维数组需要提供除最左一维以外其他维的长度)
定义:它为对象分配内存

也就是说内存是在定义时分配的,符号表中的地址是定义时确定的,
访问方式却是根据声明来确定的。

2.数组和指针的访问

我们都知道一块内存 可以理解为两部分,地址和内容
·每个符号的地址在编译时是可知的,在符号表中

2.1 访问数组分为两步

 举个栗子 char a[9] = "abcdefgh";   c = a[i]
     符号表中会存储一个地址9980,是数组的首地址
      步骤1:取i的值,和首地址也就是9980相加
      步骤2:取地址(9980+i)的值

2.2 访问指针分为两步

再举个栗子 char *p;  c = *p;
      符号表中有一个符号p,地址为4624,
       运行时步骤1:取地址4624的内容,内容是9980
       运行时步骤2:取地址9980的内容

3.总结

区别主要在于符号表中存储的地址,指针在符号表中存储的地址,内容还是一个地址,这个地址的内容真正的值,而数组在符号表中存储的地址,就是数组申请空间的首地址。
简单来说,定义一个数组一个指针 char a[9] = "abcdefgh";   char *p = "abcdefgh";
用a[3],p[3]来访问,数组只用两步,即2.1中的栗子
                                 指针需要三步,即2.1中栗子中加一步 9980加上i的值,最后取地址(9980+i)的内容

4.会产生冲突的地方

比如 我在定义时 定义一个char p[9]; 但是把它声明为一个指针 extern char *p;这样如果访问p[3]的话,
     编译器会分为三步走,
           1.先取符号表中p的地址,
           2.把p的内容加3.作为一个地址   ==》这一步已产生错误,定义时为数组,这里P的内容其实是数组的第一个char值
           3.取这个地址的值
附加正确的访问,如果声明为一个数组,访问p[3]的话,
      编译器会分为两步,
            1.取符号表中p的地址加上3,作为地址
            2.访问这个地址的内容。

特点

指针数组
保存数据的地址保存数据
间接访问数据,取得指针的内容作为地址提取数据直接访问数据
通常用于动态数据结构通常用于存储固定数目且数据类型相同的远速
相关函数为malloc(),free()隐式分配和删除
通常指向匿名数据自身即为数据名
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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