解析命令行的getopt_long()函数

解析命令行的getopt_long()函数

头文件  
      #include<getopt.h>
函数原型
      int getopt_long(int argc,char * const argv[],const char *optstring,const struct option *longopts,int *longindex)
函数说明
      getopt被用来解析命令行选项参数。
      getopt_long支持长选项的命令行解析,函数中的参数argc和argv通常直接从main()的两个参数传递而来。optstring是选项参数组成的字符串。
      字符串optstring可以下列元素:
      1. 单个字符,表示选项,
      2. 单个字符后接一个冒号:表示该选项后必须跟一个参数。参数紧跟在选项后或者以空格隔开。该参数的指针赋给optarg。
      3.  单个字符后跟两个冒号,表示该选项后可以有参数也可以没有参数。如果有参数,参数必须紧跟在选项后不能以空格隔开。该参数的指针赋给optarg。(这个特性是GNU的扩张)。
       optstring是一个字符串,表示可以接受的参数。例如,"a:b:cd",表示可以接受的参数是a,b,c,d,其中,a和b参数后面跟有更多的参数值。(例如:-a host --b name)。
  参数longopts,其实是一个结构的实例:
  struct option {
  const char *name; //name表示的是长参数名
  int has_arg; //has_arg有3个值,no_argument(或者是0),表示该参数后面不跟参数值
  // required_argument(或者是1),表示该参数后面一定要跟个参数值
  // optional_argument(或者是2),表示该参数后面可以跟,也可以不跟参数值
  int *flag;
  //用来决定,getopt_long()的返回值到底是什么。如果flag是null,则函数会返回与该项option匹配的val值
  int val; //和flag联合决定返回值
  }
  给个例子:
  struct option long_options[] = {
  {"a123", required_argument, 0, 'a'},
  {"c123", no_argument, 0, 'c'},
  }
  现在,如果命令行的参数是-a 123,那么调用getopt_long()将返回字符'a',并且将字符串123由optarg返回(注意注意!字符串123由optarg带回!optarg不需要定义,在getopt.h中已经有定义),那么,如果命令行参数是-c,那么调用getopt_long()将返回字符'c',而此时,optarg是null。最后,当getopt_long()将命令行所有参数全部解析完成后,返回-1。
    参数longopts,其实是一个结构的实例:
  struct option {
  const char *name; //name表示的是长参数名
  int has_arg; //has_arg有3个值,no_argument(或者是0),表示该参数后面不跟参数值
  // required_argument(或者是1),表示该参数后面一定要跟个参数值
  // optional_argument(或者是2),表示该参数后面可以跟,也可以不跟参数值
  int *flag;
  //用来决定,getopt_long()的返回值到底是什么。如果flag是null,则函数会返回与该项option匹配的val值
  int val; //和flag联合决定返回值
  }
  给个例子:
  struct option long_options[] = {
  {"a123", required_argument, 0, 'a'},
  {"c123", no_argument, 0, 'c'},
  }
  现在,如果命令行的参数是-a 123,那么调用getopt_long()将返回字符'a',并且将字符串123由optarg返回(注意注意!字符串123由optarg带回!optarg不需要定义,在getopt.h中已经有定义),那么,如果命令行参数是-c,那么调用getopt_long()将返回字符'c',而此时,optarg是null。最后,当getopt_long()将命令行所有参数全部解析完成后,返回-1。

范例

  #include <stdio.h>
  #include <getopt.h>
  char *l_opt_arg;
  char* const short_options = "nbl:";
  struct option long_options[] = {
  { "name", 0, NULL, 'n' },
  { "bf_name", 0, NULL, 'b' },
  { "love", 1, NULL, 'l' },
  { 0, 0, 0, 0},
  };
  int main(int argc, char *argv[])
  {
  int c;
  while((c = getopt_long (argc, argv, short_options, long_options, NULL)) != -1)
  {
  switch (c)
  {
  case 'n':
  printf("My name is XL./n");
  break;
  case 'b':
  printf("His name is ST./n");
  break;
  case 'l':
  l_opt_arg = optarg;
  printf("Our love is %s!/n", l_opt_arg);
  break;
  }
  }
  return 0;
  }
  [root@localhost wyp]# gcc -o getopt getopt.c
  [root@localhost wyp]# ./getopt -n -b -l forever
  My name is XL.
  His name is ST.
  Our love is forever!
  [root@localhost liuxltest]#
  [root@localhost liuxltest]# ./getopt -nb -l forever
  My name is XL.
  His name is ST.
  Our love is forever!
  [root@localhost liuxltest]# ./getopt -nbl forever
  My name is XL.
  His name is ST.
  Our love is forever!
参考来源:《百度百科》
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