Linux学习之"setjmp和longjmp函数"

转载:http://www.cnblogs.com/lq0729/archive/2011/10/23/2222117.html

setjmp和longjmp函数实现函数之间的跳转(需包含头文件" setjmp.h "):

函数原型: int setjmp(jmp_buf env);
  void longjmp(jmp_buf env, int val);
setjmp函数用于设置跳转的目的位置,longjmp函数进行跳转。
env:保留了需要返回的位置的堆栈情况。
setjmp的返回值:直接调用该函数,则返回0;若由longjmp的调用,导致setjmp被调用,则返回val (longjmp的第二个参数)。
1.longjmp对各类型参数的影响:
考虑下面这个程序:
复制代码
#include<iostream>
#include<setjmp.h>
#include<stdlib.h>
#include<stdio.h>

using namespace std;

jmp_buf jmpbuffer;

void g()
{
  cout << "in g()" << endl;

  longjmp(jmpbuffer, 2);
}

void f()
{
  cout << "in f()" << endl;

  g();

  cout << "leave f()" << endl;
}

int globval;

int main()
{
  int autoval;
  register int regival;
  volatile int volaval;
  static int statval;  

  cout << "begin" << endl;

  globval = 90;
  autoval = 91;
  regival = 92;
  volaval = 93;
  statval = 94;
  
  int i = setjmp(jmpbuffer);

  cout << "setjmp return code: " << i << endl;

  if(2 == i)
  {
    cout << "error code: "<< i << endl;

    cout << "globval= " << globval << "; ";
    cout << "autoval= " << autoval << "; ";
    cout << "regival= " << regival << "; ";
    cout << "volaval= " << volaval << "; ";
    cout << "statval= " << statval << "; " << endl;
    return 0;
  }

  globval = 0;
  autoval = 1;
  regival = 2;
  volaval = 3;
  statval = 4;

  cout << "globval= " << globval << "; ";
  cout << "autoval= " << autoval << "; ";
  cout << "regival= " << regival << "; ";
  cout << "volaval= " << volaval << "; ";
  cout << "statval= " << statval << "; " << endl;

  f();  

  return 0;
}
复制代码
在编译时禁止优化,输出结果如下:

使用O3优化编译,结果如下:

在非优化时,包括寄存器变量(register修饰)在内的所有类型都被存放在内存中,所以所有变量都是更改后的值。

在优化编译时,自动变量(默认类型)和寄存器变量被存储在寄存器中,其它变量与非优化时一样。所以autoval和regival都还原为原来的值。

附jmp_buf结构:

§
复制代码
typedef struct
          {
                  unsigned j_sp;  // 堆栈指针寄存器
                  unsigned j_ss;  // 堆栈段
                  unsigned j_flag;  // 标志寄存器
                  unsigned j_cs;  // 代码段
                  unsigned j_ip;  // 指令指针寄存器
                  unsigned j_bp; // 基址指针
                  unsigned j_di;  // 目的指针
                  unsigned j_es; // 附加段
                  unsigned j_si;  // 源变址
                  unsigned j_ds; // 数据段
          } jmp_buf; 
复制代码

保证局部变量在 longjmp过程中一直保存它的值的方法: 把它声明为volatile变量。(适合那些在 setjmp执行和 longjmp返回之间会改变的变量)。
存放在内存中的变量,将具有调用 longjmp时的值,而在 CPU和浮点寄存器中的变量则恢复为调用 setjmp函数时的值。
优化编译时, register和 auto变量都存放在寄存器中,而 volatile变量仍存放在内存。
2.用setjmp和longjmp实现C++异常处理(try/catch)
按 Ctrl+C 复制代码
按 Ctrl+C 复制代码
测试(.c文件):
复制代码
#include"head.h"
#include<setjmp.h>
#include<stdlib.h>
#include<stdio.h>

void g()
{
  printf("in g()\n");
  throw(32);
}

void f()
{
  printf("in f()\n");

  g();

  printf("leave f()\n");
}

int main()
{
  printf("begin\n");
  
  try
  {
      f();
  }
  catch(int a)
  {
      printf("in catch: %d\n", a);
  }  

  return 0;
}
复制代码
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