11月04日 星期五

一.字符串的清理与填充


1.字符串清理函数 bzero 作用是将字符串中的部分字节写为0,即写入NULL值。函数定义如下:void bzero (void *s,int n)
参数列表中s 表示一个字符串的头指针 n表示需要在字符串中清理前n个字符。函数没有返回值  操作时已经改变了字符串s的值。


2.字符串填充函数 memset 作用是将字符串中的前n个字节填充为某一个字符,函数的定义如下所示 void *memset (void *s,int c,size_t n)
参数列表中,s指的是需要处理的字符串的头指针,c为需要写入的字符,n表示从字符串的第一个字符开始需要填充多少个字符


二.字符串查找


1.字符串查找函数index与rindex
函数index用来在字符串中找出第一个需要查找字符的出现位置,然后将该字符地址返回,rindex的使用方法与index相似,但作用是找出字符串中最后一次某字符的出现位置,这两个函数的使用方法如下:
char *index(const char *s,int c);
char *rindex(const char *s,int c);
参数列表中s表示一个字符串的头指针。c表示需要在字符串s里面要查找的字符返回值是一个指针,指向找到这个字符的地址


2.字符查找函数memchr
 函数memchr的作用是在一个字符串的前n个字符中查找另一个字符,返回这个字符的指针地址
函数定义如下: void *memchr(const void *s,int c,size_t n)
参数列表中,s需要查找的字符串,c是需要查找的字符,n表示在字符串s中的前n个字符里查找。如果找到就返回这个字符的指针,如果没有就返回0.


3.字符串查找函数strchr与strrchr
函数strchr的作用是在一个字符串中查找另一个字符串第一次出现的位置。函数strrchr的作用是在一个字符串中查找一个字符最后一次出现的位置。这两个函数的使用方法如下所示:
char *strchr (const char *s,int c)
char *strrchr(const char *s,int c)
参数列表中,s是需要查找的字符串头指针,c是需要查找的字符。如果查找到这个字符,将返回这个字符的指针,如果没有找到这个字符则返回0 。


三.字符串的连接与分割


1.字符串连接函数strcat 
函数strcat的作用,是将一个字符串连接到另一个字符串后面  函数定义如下所示:
char *strcat(char *dest ,const char *src)
参数列表中,dest和src是两个字符串的头指针。函数会将字符串src的内容添加到字符串dest上面,并返回指针dest。


2字符串分割函数 strtok
函数strtok的作用,是将字符串分割成一个个片段。函数定义如下:
char *strtok(char *s,const char *delim);
参数列表中,s是需要分割的字符串,delim为分割字符串的标记在第一次调用时,strtok在参数字符串中发现参数delim的分割字符时,将该字符改为NULL字符。然后返回更改以后的字符。再次调用时,将参数设置为NULL。每次调用成功则返回下一个分割后的字符串指针。


四.常用时间函数


1.返回时间函数time
函数time可以返回一个时间值。该函数定义如下:
time_t time(time_t *t);
time函数的返回值是utc时间。返回值类型time_t是time.h头文件中定义的一个数据类型,表示一个时间的秒数,相当于一个长整型变量 参数t是一个指针,如果不是一个空指针,函数会同时将返回值复制一份,放到参数t指针所指的内存单元。


2.取当前时间函数gmtime
函数gmtime的作用是将time_t表示秒数的时间转换为人可以理解的时间。这个函数的使用方法:
struct tm *gmtime(time_t *timep)
从上面的函数定义,函数的参数是一个表示当前时间秒数的指针。返回值是一个tm类型的结构体指针。struct tm结构体是"time.h"头文件中定义的
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