从 C 的声明符到 Objective-C 的 block 语法

Objective-C 的 block 语法看起来比较复杂,其实它只是一个简单的扩展。下面我们从 C 的声明符开始,一步一步地引入 block 概念。

声明符

首先复习一下 C 的声明符:

int a

int指定了类型,a是变量的名称。

声明符可以使用修饰符,C 有三种修饰符:*[]()

指针

int *a

a是指向int的一个指针。

数组

int a[]

a是一个由int组成的数组。

函数

int f()

f是一个返回int的函数。

混合

这些修饰符可以混合使用。混合时,从变量名称开始往右读,读到尽头或闭括号之后再从变量名称开始往左读。

例如:

int *a[]

先往右读,[]是有一个数组,再往左读int *是指向int的指针。所以int *a[]就是由指向int的指针组成的数组,等价于int *(a[])

再如:

int (*a)[]

先由a往右读,碰到),因此再往左读,读到*,因此是一个指针。然后再往右读[],再往左读int。所以最后int (*a)[]是指向由int组成的数组的指针。

同理,int *f(),是一个函数,返回一个指向int的指针。而int (*f)()则是一个指针,指向一个返回int的函数。

block 修饰符

Apple 在上述三个修饰符的基础上增加了一个修饰符,block 修饰符^.

block 修饰符和指向函数的指针非常相似。上面我们提到int (*f)()是一个指向返回int函数的指针,类似地,int (^b)() 是一个指向返回int函数的 block 指针,简称返回int的 block。

因为 block 总是指向函数的,所以int ^aint ^b()都是非法的,因为不存在指向int的 block。

block 和指向函数的指针的区别在于,block 创建了一个闭包。

抽象声明符

将声明符中的变量名称去除后,我们就得到了抽象声明符。在 C 中,抽象声明符用于以下三种情形:

  • 映射。int *a; long *b = (long *) a;
  • sizeof()的参数。malloc(sizeof(long *));
  • 声明函数的参数。int f(long *);

Objective-C 扩展了抽象声明符的用法:用于声明方法的参数和返回值。

- (long **)methodWithArgument:(int *)a;

同样适用于 block 声明符:

- (void)methodWithArgument:(int(^)())block;
- (void)anotherMethodWithArgument:(void(^)(long arg1))block;

block 字面量

^除了作为修饰符使用之外,还可以作为操作符使用,将函数转化为 block。

block = ^(long a, long b) {
  int c = a + b;
  return c;
}

注意我们这里省略了 block 的返回值的类型声明,因为 Objective-C 会从return语句中推导出类型。

总结

Objective-C 的 block 语法是在 C 的标准语法基础上的扩展。Objective-C 中的 block 不过是一个创建了闭包的指向函数的指针。


原文 From C Declarators to Objective-C Blocks Syntax
编译 SegmentFault

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