C语言指针的初步理解与应用

C语言指针初步理解与应用

指针就是指向地址的变量,而C语言中的数组本质上也是一系列有序的地址
利用好二者的关系可以巧妙的解答一些OJ题目。

题目描述
已知 strstr 函数有从长字符串中返回需要查找的短字符串的第一次出现位置的功能
试编写一个能够返回长字符串中以某短字符串为分隔的其他字符串的函数。

样例输入:
qwerwwer
w

样例输出:
q
er

er

长字符串长度不超过10^4,短字符串不超过10

注:由于是初步理解和应用,暂不考虑长字符串中有空白符的情况(实际上没有差别)
解释:qwerwwer先输入代表长字符串 w后输入代表短字符串
以w作分割,整个长字符串分为了4部分,q,er,’’,er。所以最终输出时我们得到了四行结果。

实际作用
其他函数中拥有类似功能的函数,spilt。

难点分析
1、利用strstr函数找到的是 第一次短字符串 出现的位置之后的部分难以考虑。
2、如何相反方向的输出不为需要查找的长字符串中的内容。
3、指针的工作原理是怎么样巧妙的理解的(指针是C语言的魅力所在,作为一个萌新深有体会)

解题思路
1、需要用到的函数以及头文件:字符串中查找字符串 (strstr()) 、读取未知长度的字符串同时需要结束符(gets())、读取短字符串的长度(strlen()),以及与他们对应的头文件。
2、获得需要输出部分字符的办法:数组的本质是连续的地址,指针的本质是地址。设一个在过程中和数组地址对应的指针变量,不断利用取值符号*对其取值输出,末尾带上换行即可。
3、strstr()函数返回值的本质一个地址,即相应字符串第一次出现的地址,如果没有找到相应字符串,则返回NULL。
所以现在有了这三步的铺垫,这个题目已经不需费多少力气了。

标准代码

#include<stdio.h>
#include<math.h>    //这里是我的陋习,任何题目的头文件都会带上math.h,原意是方便任何时候调用函数
#include<string.h>
char chang[10010];  //chang即长数组,duan即短数组
char duan[11];      //由于结束符'\0'的存在,短字符数组多设一位
char *p,*p1;        //两个指针变量用于记录数组输出时的始末位置
int l;              //l长度记录短字符长度
int main()
{
    gets(chang);
    gets(duan);
    l=strlen(duan);
    p1=s;           //p1=s就是明显的建立数组与指针的联系,记录下第一次输出时的初始位置
    while(1)
    {
        p=strstr(p1,duan);  //输入数组的本质是输入数组的第一个元素的地址
        if(p==NULL)         //p用于记录从p1开始的数组第一次出现段数组的地址,即末位置
        {
            printf("%s\n",p1);  //找不到时,剩下的都是被分割掉的部分
            break;
        }
        for(;p!=p1;p1++)
            printf("%c",*p1);  //找到的时候需要由始及末的遍历,也许可以用puts之类的函数(没实验过)
        printf("\n");         
        p1=p+l;
    }
    return 0;
}
小结

还是那句经典的话,指针是C语言的精华,也是C语言经久不衰的魅力所在
数组的内涵其实就是内存中的连续地址,目前我对于指针的应用也都是在数组中探索

计划下一次能得出二维数组中由一列排序带动另一列排序的方法。
(1,3)(2,5)(3,7)(4,6)就是一种由第一列 1、2、3、4带动第二列 3、5、7、6排序的例子

  • 0
    点赞
  • 1
    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