C语言中整数和浮点数的存储

1.整数在内存中的存储

众所周知,计算机只能识别二进制的语言,即0和1,整数在内存中的存储就是以二进制的形式存储的,int类型的整数占4个字节,是32个bit位

而在内存中,实质上存储的是二进制的补码形式。

原码

整数的原码就是将整数的二进制形式写出来。第一位是符号位,如果是正数,那么第一位为0,如果是负数,第一位是1。

反码

正数的反码就是它本身,负数的反码是符号位不变依然是1,其余各位取反(0变为1,1变为0)。

补码

正数的补码依旧是本身,负数的补码就是其反码在加上一个1.

例如

5的原反补码形式

-5的原反补码形式

在计算机中存储的都是补码的形式。

在调试窗口为了显示方便,显示的是16进制的形式,VS中采用的是小端字节序方式显示。

16进制很好理解,四个二进制为一组转换成16进制,32位二进制就变成了8个

正常来说应该是这样表示,那为什么是fbffffff的形式?是因为小端字节序方式是让原本的低位(个位)存储到了高地址处的存储形式,所以就有了倒置的写法,那大端字节序就是让原本的高位存储到高地址处,低位存储到低地址处。

判断大小端的方式

#include<stdio.h>
int judge()
{
 int n = 1;
	int ret = *(char*)&n;     //把n的地址拿出来 然后转换成char*类型的 再解引用 取出来的就是它的第一个字节
	return ret;
}
int main()
{
	
	int ret=judge();
	if(ret==1)
		printf("小端");
	else
		printf("大端");
	return 0;
}

函数内部创建一个int变量赋值为1,然后将其地址拿出来强转成char*类型的,这样就能取出一个字节的地址 

如果是小端取出来那一个字节应该是01,那么返回值应该是1,如果是大端取出来的一个字节应该是00,那么返回值应该是0,所以根据这个可以判断是大端还是小端。

ps:这里不能直接强转int类型,因为int类型强转成char无论怎么取都是默认取低位上的数(个位),那一直取得就都是1了,就无法分辨了。

2.浮点数在内存中的存储

符号位s(-1)^s
数字位mm(1.xxxxx)
科学计数法位e2^e

浮点数的存储与整数的有所不同,具体存储方式分为上述表格中的三种形式。

32位的浮点数

第一个bit位是符号位 s为0是正数,s为1是负数

后8个位置用来存储e

剩下的23个位置用来存放有效的数字位

64位的浮点数

(忽略图片马赛克)

唯一的改变就是11个位置存储e

后52个位置存储有效数字位

例如十进制的5.0写成二进制就是101.0,写成科学计数法的方式就是1.01*2^2

此时s=0,m=1.01,e等于2

S符号位

第一个符号位就是正数保存0,负数保存1即可。

M有效数字位

1<=m<2,其实就是默认为1,那存储时就可以忽略这一位,直接保存小数点后面的位数,在用的时候再给1补回来即可。

E科学计数法位

因为科学计数法是可以出现负数的,32位中浮点数E有8位,范围在0~255之间,64位中E有11位,范围在0~2047之间。所以规定在存储E时要加上一个中间值,对于8位的E,这个中间数是127;对于11位的E,这个中间数是1023。比如32位下2^10,存储这个10时,就要变成137,2^-10,存储时就变成了117,变成了正数。

E取出时还分为三种情况

1.E不全为0或1

指数E的值减去127(1023),然后再给有效值M前加上一个1。

例如0.5

127+(-1)即为126(01111110),然后有效值就是0,补齐23位最后在内存中就是这种形式,取出时126-127,-1,然后给M加一个1即为1.0*2^(-1)即为0.5。

2.E全为0

浮点数E为1-127(1023),给有效值M前加上一个0,代表无穷接近0

3.E全为1

这时如果有效数字M全为0,那么代表无穷。

例题演示

#include <stdio.h>
int main()
{
	int n = 9;
	float* pFloat = (float*)&n;
	printf("%d\n",n);
	printf("%f\n",*pFloat);
				
	* pFloat = 9.0;
	printf("%d\n",n);
	printf("%f\n",*pFloat);
	return 0;
}

分析:int n=9;n的类型是整形,那么存储在内存中应该是00000000000000000000000000001001,

强制转化成浮点型的存储方式,那么第一个符号位S=0,而E全是0,后面23位M是0000000000

0000000001001,那转换成浮点数就是0.00000000000000000001001*2^(-126)是一个很接近0的值,所以打印出来应该是0。

把pFloat改成9.0,然后打印小数就是9.0,存储为0 10000010 00100000000000000000000,

转换成整数形式就是1091567616。

  • 38
    点赞
  • 34
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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