《C和指针》重点知识摘要-第三章

第三章以程序中的数据为中心,围绕C语言数据这一概念,辐射与其相关的一系列知识点,介绍了C语言变量的属性和基本概念。

基本数据类型

在C语言四种基本数据类型-----整型、浮点型、指针和聚合类型(数组和结构等)中,整型家族包括字符、短整型、整型和长整型,他们都分有符号和无符号两种版本,标准并没有规定长整型必须比短整型长,只是规定它不得比短整型短。

整数可以用八进制来表示,只要在数值前面以0开头,整数也可以用十六进制来表示,它以0X开头,eg:

0173   0177777  000060
0x7b   0xFFFFF  0xabcdef00

当一个字面值用于确定一个字中某些特定位的位置时,将它写成十六进制或八进制更为合适,这样可以使操作的含义对于读者而言更为清晰

如果一个值被当做字符使用,那么把这个值表示为字符常量可以使这个值的意思更为清晰。例如:

value = value - 48;
value = value - \60

上面两条语句所表示的含义明显就不如下面这一条

value = value -0’;

C语言中枚举类型就是指它的值为符号常量而不是字面值的类型,这种类型的变量实际上以整型的方式存储,这些符号名的实际值都是整型值。适当的时候,也可以为这些符号名指定特定的整型值:

enum{CUP = 8,PINT = 16,........}

只对部分符号名用这种方式进行赋值也是合法的,如果某个符号名未显示制定一个值,那么它的值就比前面一个符号名的值大1。

对于浮点数来说,浮点数字面值总是写成十进制的形式,它必须有一个小数点或者一个指数,它也可以两者都有。

浮点数字面值在缺省情况下都是double类型的,除非它后面跟一个L或者l表示它是一个long double类型的值,或者跟一个F或f表示它是一个float类型的值。

下面是指针类型,变量的值存储于计算机的内存中,每个变量都占据一个特定的位置,每个内存位置都由地址唯一指定并引用。

指针只是地址的另一个名字罢了,指针变量就是一个其值为另一个内存地址的变量。

当一个函数每次被调用时,它的自动变量可能每次分配的内存位置都不相同。

字符串常量:C语言存在字符串的概念,他就是一串以NULL字节结尾的零个或多个字符。

基本声明

来看一段很典型的代码

int* b, c, d;

人们很自然地以为这条语句把所有三个变量声明为指向指针的整型,但事实上并非如此。号实际上是表达式b的一部份,只对这个标识符有用,b是一个指针,但其余两个变量只是普通的整型,要声明三个指针,正确的语句应该是:

int *b, *c, *d;

还有一个声明指针变量的例子:

char *message = "Hello world";

这条语句把message声明为一个指向字符的指针,并用字符串常量中第一个字符的地址对该指针进行初始化。

作用域

由于两个代码块的变量不可能同时存在,所以编译器可以把他们存储于同一个内存地址,例如:声明 10 的 i 可以和声明 9 的任何一个变量共享一个内存地址。这种共享并不会带来任何危害,因为在任何时刻,两个非嵌套的代码块最多只有一个处于活动状态。

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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论 1
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