C++学习 基础学习



以前总觉得C++乱糟糟的(个人看法),但发现我要进的公司业务用到了C++,那就学吧。。。开始


今天学的是C++的基础,首先我是有了C的基础,所以学得比较轻松
我这是与C对比着学的


1.C++的开发工具vs2010+插件visual assist x for visual studio


2.C++除了C的一些基本数据类型之外,还新增了bool类型


3.新的初始化方法,直接复制,如int x(1024);


4.随用随定义:C中都是先得定义好变量,才能使用,而C++可以随用随定义
例:cout << "请输入一个整数:" << endl;
int x = 0;//随用随定义

cin >> x;


5.新的输入输出cin/cout:隐藏了数据类型
int x;
cin >> x;
cout << x << endl;
cout << oct << x << endl;//以八进制输出
cout << dec << x << endl;
cout << hex << x << endl;
cout << boolalpha << y << endl;//输出y的逻辑值


6.命名空间:关键字namespace

#include<iostream>
#include<stdlib.h>

using namespace std;

namespace A{//定义A空间下的逻辑
int x=1;
void fun(){
cout << "A" << endl;
}
}

namespace B{
int x=2;
void fun(){
cout << "B" << endl;
}
}

int main(){
cout << A::x << endl;//引用的时候是::
B::fun();
return 0;
}


7.引用 &
引用就是个变量起个别名,对&的变量操作就是对被引用的变量的操作,隐藏了指针,且一定要有只想,不能只向NULL
比较复杂的是指针的引用:

int a = 0;
int *p = &a;
int *&q = p//指针类型的引用
*q = 5;//就是对a的操作


8.const:加强对变量的控制,
const被const修饰的变量是不可变的,也就是常量
const int *p = NULL;
int const *p = NULL;//等价.int和const的顺序无关,此时*p不可变
const int a = 0;//a不能变
int x = 0;
const int *a = &x;//*a不能变
总结:应该是权限小的接收权限大的(极端就是变量赋值给常量,因为要是把常量赋值给变量,通过变量有可能会改变常量,这就不符合常量的定义了)


9.函数参数可以有默认值:据多次验证,默认值在声明的时候指定所有的编译器都能通过,而要是放到定义的时候指定,不同的编译器可能会有不同结果

void fun(int i,int j=5,int k=10);//默认值的顺序只能从右至左依次赋值


int main(){
fun(20);
fun(20,30);
fun(20,30,40);
return 0;
}


void fun(int i,int j,int k){
cout << i << j << k << endl;
}


10.函数重载
在相同作用域内
用同一函数名定义的多个函数
参数个数和参数类型不同
int getMax(int x,int y){
     //TODO
}


double getMax(double x,double y){//内部会编译成getMax_double_double加以区分
      //TODO
}


11.内联函数:在函数前面加inline关键字
编译时将函数体代码和实参代替函数调用语句 inline 效率高,有条件
内联编译时建议性的,由编译器决定
逻辑简单,调用频繁的函数建议使用内联

递归函数无法使用内联方式


12.内存管理:本质是资源,由操作系统掌控,申请/归还

申请内存:new 
释放内存:delete
内存申请不一定能申请成功
释放内存追事项delete p;p=NULL;
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