【C语言入门】忽略字符串存入数组的细节引发的问题

一、引入

        字符串存入数组有大概有以下方式:

1.定义数组大小并直接引入字符串

#include<stdio.h>
int main(){
    char str[10]="abcde"; 定义数组大小并直接引入
    return 0;
}
注意:
    char str[10];
    str="abcde"; 是无法存储字符串的

2.定义数组大小,用scanf函数引入

#include<stdio.h>
int main(){
    char str[10];
    scanf("%s",str);
    return 0;
}

3.不定义数组大小,但直接引入字符串

#include<stdio.h>
int main(){
    char str[]="abcde";
    return 0;
}

4.不定义数组大小,但用字符构成 

#include<stdio.h>
int main(){
    char str[]={'a','b','c','d','e'};
    return 0;
}

二、问题表述

作为初学者,尤其是对于多用Dev C++这款编译器的高校学生来说,以上引入方式似乎没什么问题

可是事实真是如此吗?

请各位把眼光聚焦于第三种和第四种方法

char str[10]="abc"; //第三种方法
char str[10]={'a','b','c'}; //第四种方法

Dev C++运行确实没什么问题

但是用VS运行呢?就第四种方法输出就跟着一堆乱码!

三、问题分析

 字符串一般由数字、字母以及标点符号构成

 在字符串的最后会以看不见的 \0 结尾

所以第三种方法的存储方式为:

数组下标0123
字符内容abc\0

第四种方法的存储方式,因为是单个字符读入,所以没有\0存入数组,故呈现为:

数组下标0123
字符内容abc(空)

\0在C语言中是字符串的结束符,%s打印字符串,\0终止打印

char arr2[]={'a','b','c'};
printf("%s\n",arr2);

由于输出字符串没有遇到 \0 ,无法终止打印,故呈现乱码。

四、解决问题

  补上 '\0' 即可QWQ。

五、结尾

本文章阐述了字符串直接引入至数组的不同方式的问题\0 不可见但不可略

希望这篇文章能对你有所收获,有问题欢迎指出。

与诸君共勉!\\٩(๑`^´๑)۶//

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 2
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