ios 数组操作

使用数组对象创建的数组功能非常强大,在Java语言或者C语言中定义的数组必须满足数组中的每一个元素必须是同样的类型。而Objective-C语言可以在Array数组中放任意类型的数据,值得注意的是只能放指向这个对象的指针,如果直接放int ,char,double 等等,是不行的.
 
1.不可变数组对象
 
使用NSArray关键字创建一个不可变的数组,一旦初始化完毕后这个数组的元素是不可以在动态的添加与删除。
创建MyClass对象,将指向这个对象的指针也可以存入NSArray数组中,可见NSArray对象数组中可以储存任意对象的数据。
 
[array count] : 得到这个对象数组的长度。
[array objectAtIndex 0]: 传入数组脚标的id 得到数据对象。
[arrayWithObjects; ...] :向数组对象初始化赋值。这里可以写任意对象的指针,结尾必须使用nil。标志结束~
 
使用for循环遍历这个数组对象。
  1. #import
  2. #import "MyClass.h"
  3. int main(int argc, char *argv[])
  4. {
  5. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  6. //添加我们的测试代码
  7. //创建自定义类
  8. MyClass *myClass = [[MyClass alloc]init];
  9. //创建一个不可变的数组
  10. NSArray *array= [NSArray arrayWithObjects:@"雨松", @"MOMO",@"哇咔咔",myClass,nil];
  11. //得到数组的长度
  12. int count = [array count];
  13. //遍历这个数组
  14. for (int i = 0; i < count; i++) {
  15. NSLog(@"普通的遍历:i = %d 时的数组对象为: %@",i,[array objectAtIndex: i]);
  16. }
  17. int retVal = UIApplicationMain(argc, argv, nil, nil);
  18. [pool release];
  19. return retVal;
  20. }
 
Objective-C语法之数组对象(转)

上面的for循环遍历方法比较普遍,但是效率不好,而且安全性不高。Objective-C 提供了一种快速枚举遍历方法,推荐大家都使用这种方法来遍历。
 
for(NSObject *object in array) : 遍历array这个数组,每一次循环将数组中的元素赋值给 *object ,实现循环遍历。
#import
  1. #import "MyClass.h"
  2. int main(int argc, char *argv[])
  3. {
  4. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  5. //添加我们的测试代码
  6. //创建自定义类
  7. MyClass *myClass = [[MyClass alloc]init];
  8. //创建一个不可变的数组
  9. NSArray *array= [NSArray arrayWithObjects:@"雨松", @"MOMO",@"哇咔咔",myClass,nil];
  10. //遍历这个数组
  11. for (NSObject *object in array) {
  12. NSLog(@"快速的遍历数组对象为: %@",object);
  13. }
  14. int retVal = UIApplicationMain(argc, argv, nil, nil);
  15. [pool release];
  16. return retVal;
  17. }
Objective-C语法之数组对象(转)
 
 
2.可变数组对象
 
[NSMutableArray arrayWithCapacity:10] :初始化可变数组对象的长度,如果后面代码继续添加数组超过长度10以后NSMutableArray的长度会自动扩充,所以不用担心数组越界。
[array addObject:...] : 向可变数组尾部添加数据对象。
[array addObjectsFromArray:..] :向可变数组尾部添加一个数组对象。 *)#>];
  1. #import
  2. #import "MyClass.h"
  3. int main(int argc, char *argv[])
  4. {
  5. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  6. //添加我们的测试代码
  7. //创建自定义类
  8. MyClass *myClass = [[MyClass alloc]init];
  9. //创建一个可变的数组长度为10
  10. NSMutableArray *array = [NSMutableArray arrayWithCapacity:10];
  11. //向数组中动态的添加对象
  12. [array addObject:@"雨松"];
  13. [array addObject:@"MOMO"];
  14. [array addObject:@"小可爱"];
  15. [array addObject:@"哇咔咔"];
  16. [array addObject:myClass];
  17. for (NSObject * object in array)
  18. {
  19. NSLog(@"输出对象数组:%@", object);
  20. }
  21. int retVal = UIApplicationMain(argc, argv, nil, nil);
  22. [pool release];
  23. return retVal;
  24. }
 
Objective-C语法之数组对象(转)
 
[array insertObject:@"插入一只小老虎" atIndex:1] :向可变数组中插入一个字符串对象,并且设定它的位置脚标索引为 1。

[array insertObject:(NSArray *) atIndex:(NSIndexSet *)] :向可变数组中插入一个数组对象,可以任意设置它的位置脚标索引。

  1. #import
  2. #import "MyClass.h"
  3. int main(int argc, char *argv[])
  4. {
  5. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  6. //添加我们的测试代码
  7. //创建自定义类
  8. MyClass *myClass = [[MyClass alloc]init];
  9. //创建一个可变的数组长度为10
  10. NSMutableArray *array = [NSMutableArray arrayWithCapacity:10];
  11. //向数组中动态的添加对象
  12. [array addObject:@"雨松"];
  13. [array addObject:@"MOMO"];
  14. [array addObject:@"小可爱"];
  15. [array addObject:@"哇咔咔"];
  16. [array addObject:myClass];
  17. //向数组中插入
  18. [array insertObject:@"插入一只小老虎" atIndex:1];
  19. for (NSObject * object in array)
  20. {
  21. NSLog(@"输出对象数组:%@", object);
  22. }
  23. int retVal = UIApplicationMain(argc, argv, nil, nil);
  24. [pool release];
  25. return retVal;
  26. }
 
Objective-C语法之数组对象(转)
 
NSRange range = NSMakeRange(0,5); 设置一个范围为 0 到 5 之间。
[array removeObject:myClass inRange:range] : 设置在一个范围内删除数据,如果这个范围内没有删除的这个对象则不会删除任何东西。例子中因为myClass对象在 数组 0 到 5的范围内,所以myClass就被删除掉了。
 
[array removeObject:(id)] :无需考虑范围,主要数组中存在这个对象就会直接被删除。
[array removeObjectAtIndex:(NSUInteger)]:删除数组中指定脚标索引的数据。
 
[array removeObjectIdenticalTo:(id)] : 删除数组中指定元素
[array removeObjectIdenticalTo:(id) inRange:(NSRange)] : 在指定范围内删除指定的元素。
 
[array removeObjectsInArray:(NSArray *)] :删除一个数组的元素。
  1. #import
  2. #import "MyClass.h"
  3. int main(int argc, char *argv[])
  4. {
  5. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  6. //添加我们的测试代码
  7. //创建自定义类
  8. MyClass *myClass = [[MyClass alloc]init];
  9. //创建一个可变的数组长度为10
  10. NSMutableArray *array = [NSMutableArray arrayWithCapacity:10];
  11. //向数组中动态的添加对象
  12. [array addObject:@"雨松"];
  13. [array addObject:@"MOMO"];
  14. [array addObject:@"小可爱"];
  15. [array addObject:@"哇咔咔"];
  16. [array addObject:myClass];
  17. //设置一个删除范围
  18. NSRange range=NSMakeRange(0,5);
  19. //删除元素
  20. [array removeObject:myClass inRange:range];
  21. for (NSObject * object in array)
  22. {
  23. NSLog(@"输出对象数组:%@", object);
  24. }
  25. int retVal = UIApplicationMain(argc, argv, nil, nil);
  26. [pool release];
  27. return retVal;
  28. }
 
Objective-C语法之数组对象(转)
 
[array replaceObjectAtIndex 2 withObject:@"已经修改了"]:替换数组脚标为2的数据。
  1. #import
  2. #import "MyClass.h"
  3. int main(int argc, char *argv[])
  4. {
  5. NSAutoreleasePool *pool = [[NSAutoreleasePool alloc] init];
  6. //添加我们的测试代码
  7. //创建自定义类
  8. MyClass *myClass = [[MyClass alloc]init];
  9. //创建一个可变的数组长度为10
  10. NSMutableArray *array = [NSMutableArray arrayWithCapacity:10];
  11. //向数组中动态的添加对象
  12. [array addObject:@"雨松"];
  13. [array addObject:@"MOMO"];
  14. [array addObject:@"小可爱"];
  15. [array addObject:@"哇咔咔"];
  16. [array addObject:myClass];
  17. //修改脚标索引为2的元素
  18. [array replaceObjectAtIndex: 2 withObject:@"已经修改了"];
  19. for (NSObject * object in array)
  20. {
  21. NSLog(@"输出对象数组:%@", object);
  22. }
  23. int retVal = UIApplicationMain(argc, argv, nil, nil);
  24. [pool release];
  25. return retVal;
  26. }
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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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。
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
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