C++ 引用和指针

2.3 复合类型:指针和引用
2.3.1 引用
引用为对象起了一个别名(引用不是对象),通过将声明符写成 &d 的形式来定义引用类型。所以引用必须被初始化,且不能定义引用的引用。
int ival = 1024;
int &refval = ival; //refval 指向 ival
int &refval2; //报错:引用必须被初始化

2.3.2 指针
与引用类似,指针实现了对其他对象的间接访问,但它们存在许多不同:
1.指针本身就是一个对象,允许对指针赋值和拷贝;
2.指针无须在定义时赋初值(但最好在定义指针时先为其赋值nullptr,以免出现野指针)。
获取对象的地址需要使用取地址符号&
int val = 42;
int *p = &val; //指针需要与指向的数据类型相符
指针的值(地址)属于以下4种状态:指向下一个对象;指向紧挨对象所占空间的下一个位置;空指针(没有指向任何对象);无效指针。
访问无效指针的值将引发错误。
利用指针访问对象(仅适用于确实指向某个对象的有效指针),需要使用解引用符*
int val = 42;
int *p = &val;
cout<<*p<<endl;//输出指针p对应的值42
空指针不指向任何对象,得到空指针最直接的方法是使用nullptr对指针进行初始化。
另一种方法:将指针初始化为0,预处理变量NULL在头文件 cstdlib 中定义,值为0 。
注意:赋值改变的是等号左侧的对象。
pi = &ival; //改变的是地址,现在指针指向ival
*pi = 10; //改变的是指针指向对象,指针指向不变
只要指针有一个合法的值,就可以用在条件表达式中,指针的值为0,条件取false,不为0则为true 。

实例:引用,指针作为函数参数
#include <iostream>
using namespace std;

void swap1(int a, int b);
void swap2(int *p1, int *p2);
void swap3(int &a, int &b);
		
int main()
{
	int num1, num2;
	cout<<"Input two integers: ";
	cin>>num1>>num2;
	swap1(num1, num2);
	cout<<num1<<" "<<num2<<endl;
	
	cout<<"Input two integers: ";
	cin>>num1>>num2;
	swap2(&num1, &num2);
	cout<<num1<<" "<<num2<<endl;
	
	cout<<"Input two integers: ";
	cin>>num1>>num2;
	swap3(num1, num2);
	cout<<num1<<" "<<num2<<endl;
	
	return 0;
}
	
//直接传递参数内容
void swap1(int a, int b)
{
	int temp = a;
	a = b;
	b = temp;
}

//传递指针
void swap2(int *p1, int *p2)
{
	int temp = *p1;
	*p1 = *p2;
	*p2 = temp;
}

//按引用传参
void swap3(int &a, int &b)
{
	int temp = a;
	a = b;
	b = temp;
}


2.3.3 复合类型的声明
指针的声明方法与变量相似,可以一个定义对应多个声明。
指针有两种写法:
1.修饰符和变量标识符放一起; int *p = nullptr;
2.修饰符和类型名写在一起; int* p = nullptr;
不能定义指向引用的引用,但可以定义指向指针的指针,也可以定义指向指针的引用。
//指向指针的指针
int val = 42;
int *p = &val;
int **pi = &p;
//指向指针的引用
int *&r = p;
2.4 const限定符
const对象一经创建无法修改,所以必须初始化。
const int i = get_size(); //只要函数的返回值为const int 则正确
const int j = 42; //正确
const int t; //错误,没有初始化
默认状态下,const对象仅在文件内有效,当多个文件中出现同名的const变量时,等同于多个文件内分别定义了独立的对象。若要在多个文件中定义可通用的const变量,在声明和定义上都加入extern关键字。(定义只需一次)
2.4.1 const的引用
将引用绑定到const对象上,称为对常量的引用(常量引用),不能用作修改绑定的对象,初始化常量引用时,允许使用任意表达式作为初始值,只要其能转换成引用的类型。
对const的引用可能引用一个并非const的对象,所以允许通过其他途径改变它的值。
2.4.2 指针和const
指向常量的指针不能用于改变其所指向对象的值,要存放常量对象的地址,只能使用指向常量的指针。(例外:允许指向常量的指针指向一个非常量对象)
const指针:必须初始化,一经初始化不得修改。(不变的是指针指向的对象而不是对象的值)
int val = 0;
int * const pi = &val;//const指针
const int *ppi = &val;//指向常量对象的常量指针
2.4.3 顶层const
顶层const表示指针本身是个常量(const指针),底层const表示指针所指向的对象是一个常量。当执行对象的拷贝操作时,顶层const不受影响,底层const:拷贝操作的对象必须具有相同的底层const资格或两个对象的数据类型可以相互转换。
const int ci = 42;
const int *const p3 = &ci;
int *p = p3; //错误,p3是包含底层const的定义,而p不是。
2.4.4 constexpr 和常量表达式
常量表达式指值不会改变并且在编译过程中就能得到计算结果的表达式(字面值,用常量表达式初始化的const对象都是常量表达式)。常量表达式的定义由它的数据类型和初始化值一同决定。
C++11 中规定使用变量声明为constexpr类型来验证变量的值是否为一个常量表达式,声明constexpr的变量一定是一个常量,且必须用常量表达式初始化(定义在所有函数体之外的对象地址固定不变,能用来初始化constexpr指针,反之函数体之内的对象不能):
constexpr int mf = 20;
constexpr int mf2 = mf + 1;
constexpr int mf3 = size();//只有函数的返回值为constexpr类型才成立
在constexpr声明中定义了一个指针,限定符仅对指针有效。
2.5 处理类型
类型别名
typedef和using
typedef double wages;
using SI = Sales_item;
C++11引入auto类型说明符,通过初始值推算变量类型
decltype类型说明符,选择并返回操作数的数据类型
2.6 自定义数据结构
定义类数据成员和定义普通变量一样,C++11规定可以为数据成员提供一个类内初始值,用于初始化数据成员

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