The key of C Language

1.const修饰符

 (1) 阻止变量被改变时使用const修饰符,因此声明变量时要进行初始化,进行唯一一次赋值。当我们使用宏定义定义常量时,只是简单地内容替换,编译器并没有进行类型检查,而使用const时编译器会进行类型检查。

(2)指针常量:如int a = 1;int * const p = &a;指针指向的地址不能更改,但是地址中存储的对象可以更改。

          常量指针:如int b = 1; int const *p = &b;(const int *p = &b;)指针指向的地址可以更改,但是地址中存储的对象不能更改。

2.static修饰符

(1)当一个进程的全局变量被声明为static之后,变为静态全局变量。静态全局变量和其他的全局变量的存储地点没有区别,都是在.data段(已初始化)或者.bss段(未初始化)内,但是它只在定义它的源文件内有效,其他源文件无法访问它。

(2)static局部变量叫静态局部变量。它与普通的局部变量的区别:位置:静态局部变量被编译器放在全局存储区.data(注意:不在.bss段内),所以它虽然是局部的,但是在程序的整个生命周期中存在。访问权限:静态局部变量只能被其作用域内的变量或函数访问。虽然它会在程序的整个生命周期中存在,由于它是static的,它不能被其他的函数和源文件访问。值:静态局部变量如果没有被用户初始化,则会被编译器自动赋值为0,以后每次调用静态局部变量的时候都用上次调用后的值。每次函数调用静态局部变量的时候都修改它然后离开,下次读的时候从全局存储区读出的静态局部变量就是上次修改后的值。

3.volatile修饰符

(1)编译器在优化的过程中做了优化处理:编译器发现在对变量赋值之后没有再次改变它的值,所以编译器把它的值备份在了一个寄存器中,在之后的操作中我们再次使用它的值的时候就直接操作这个寄存器,而不去读取它的内存地址,因为读取寄存器的速度要快于直接读取内存的速度。这就使得了读到的它的值为之前的。而不是更新后的。

(2)volatile修饰符的作用就是告诉编译器不要对它所修饰的变量进行任何的优化,每次取值都要直接从内存地址得到。对于我们代码中的那些易变量,我们最好使用volatile修饰,以此来得到每次对其进行更新后的值。

(3)使用场合:中断服务程序中修改的供其它程序检测的变量需要加volatile;多任务环境下各任务间共享的标志应该加volatile。

4.sizeof()运算符

(1)sizeof是C语言的一种单目操作符,如其他操作符++、--等,它不是函数。sizeof操作符以字节形式给出了其操作数的存储大小。操作数可以是一个表达式或数据类型名。操作数的存储大小由操作数的数据类型决定。

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