20135218姬梦馨——信息安全系统设计基础第三周学习总结

学习计时:共7小时

读书:2h

代码:0.5h

作业:2.5h

博客:2h

 


 

 

一、学习过程

 

(一)无符号

 

无符号(unsigned)编码基于传统的二进制表示法,表示 大于或者等于零的数字。

补码(two's-complement)编码是表示有符号整数的最常见的方式,有 符号整数就是可以为正或者为负的数字。

浮点数(floating-point)编码是表示实数的科学记数法 的以二为基数的版本。计算机用这些不同的表示方法实现算术运算,例如加法和乘法,类似于对 应的整数和实数运算。 当结果太大不能表示时会溢出,大量安全漏洞都是由于算数运算引发的.

 

二)进制转换

在二进制表示法中,它的值域是000000002 ~ 111111112 ;如果用十进制整数表示,它的值域就是010 ~ 25510。十六进制(简写为"hex")使用数字'0'~'9',以及字符'A'~'F'来表示16 个可能的值。在C 语言中,以0x 或0X 开头的数字常量被认为是十六进制的值。字符'A'~'F'既可以是大写,也可以是小写,甚至是大小写混合。

 

(三)

每台计算机都有一个字长(word size),指明整数和指针数据的标称大小(nominal size)。因为虚拟地址是以这样的一个字来编码的,所以字长决定的最重要的系统参数就是虚拟地址空间的最大大小。也就是说,对于一个字长为w 位的机器而言,虚拟地址的范围为0 ~ 2w-1,程序最多访问2w 个字节。

 

(四)小端法大端法

—最低有效字节在最前面的方式,称为小端法(little endian)。大多数Intel 兼容机都采用这种规则。

后一种规则—最高有效字节在最前面的方式,称为大端法(big endian)。大多数IBM 和Sun Microsystems 的机器都采用这种规则。注意我们说的是"大多数"。这些规则并没有严格按照企业界限来划分。

小端是"高对高、低对低",大端与之相反

 

(五)布尔代数

二进制值是计算机编码、存储、操作信息的核心(0、1)

逻辑运算——0或1
位运算————位向量

(六)整数表示

数据类型long long是在ISO C99中引入的。(编译:gcc -std=c99)。

64位机器用8个字节表示;32位机器用4个字节表示。
*负数的范围比整数的范围大1。

(七)补码

最常见的有符号数的计算机表示方式。

正数的补码=原码
负数的补码=原码各位取反再加1

最高有效位也叫符号位。

(八)无符号数与有符号数转换

强制类型转换的结果保持位值不变,改变解释这些位的方式。

处理同样字长的有、无符号数之间相互转换的规则:数值可能会变,但是位模式不变。(底层的位表示保持不变)

(九)扩展数字的位表示

零扩展:在开头添0。(将无符号数转换成更大的数据类型)

符号扩展:添加最高有效位的值的副本。(一个补码数字转换成更大的数据类型)

(十)截断数字

可能会改变数值——溢出的一种形式。

对于无符号数字x,截断到k位,相当于计算:x mod 2(k)。(k次幂)

 

(十一)IEEE浮点表示

符号:s决定这个数是负数(s = 1)还是正数(s = 0),而对于数值0的符号位解释作为特殊情况处理。

尾数:M是一个二进制小数,它的范围是1 ~ 2-ε,或者是0 ~ 1-ε。

阶码:E的作用是对浮点数据加权,这个权重是2的E次幂(可能是负数)。

 

向偶数舍入(默认)、向零舍入、向下舍入、向上舍入。

 

二、课程总结

这次学习了用各类方法来表示基本的数据类型,再操作这些数据。

关于位模式的问题,一开始不是很清楚,关于强制转换也不能完全理解。后来再对位模式有了彻底的了解之后,知道了数字串无论什么进制都可以看做是进制的一种位模式,

 

转载于:https://www.cnblogs.com/ShadowStealer/p/4858047.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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