01.预备知识

1.1C++简介

C++的三种编程方式:
    1.面向过程编程:强调算法,试图使问题满足语言的过程性方法。
    2.面向对象编程:强调数据,试图使语言满足问题的要求,设计与问题的本质特性相对应数据格式。
    3.泛型编程:强调独立于特定的数据类型。
 
1.2 C++简史
    1.2.1 C语言产生
        20世纪70年代贝尔实验室的Dennis Richie为了方便开发Unix系统,在旧的编程语言的基础之上开发了C语言。
 
    1.2.2 C语言的编程原理
        结构化编程,将大型程序分解成小的模块。
 
 
    1.2.3 面向对象编程
        C++中类是一种规范,描述新的数据类型,对象是根据这种数据类型构造出来的数据实体。
        从低级组织(类)到高级组织(程序)的处理过程叫作自下向上(bottom-up)的编程。
 
    1.2.4 C++和泛型编程
        泛型编程提供了执行常见任务的工具,创建独立于类型的代码。
 
    1.2.5 C++的起源
        20世纪80年代贝尔实验室的Bjarne Stroustrup设计开发。
 
        Bjarne Stroustrup著作
        《The C++ Programming Language》
        《The design and Evolution of C++》
        http://www.research.att.com/-bs/
 
        OOP赋予了C++将问题所涉及的概念联系起来的能力,C语言赋与C++紧密联系硬件的能力。
 
1.3 可移植性和标准
    在不个性源码的前提下,重新编译程序后,程序可良好地运行在不同的系统平台上,称为可移植。
 
    美国国家标准局(American National Standards Institute, ANSI)于1990年设立(ANSI X3J16)
    委员会负责制定C++标准,(ANSI制定了C语言标准),国际标准化组织(ISO)通过ISO-WG-21加入,创建联系组ANSI/ISO。
    致力于制定C++标准。
    国际标准ISO/IEC 14882:1988于1998年获得ISO\IEC(International Electrotechnical Committee)国际电工技术委员会和ANSI的批准,称为C++98标准。
    2003年发布第二版本(ISO/IEC 14882:2003),称为C++03,由于C++03没有改变语言特性,因此以C++98表示C++98/C++2003
    2011年发布第三版本(ISO/IEC 14882:2011),称为C++11
 
    1.3.1 C++的发展
    《The Programming Languae》Bjarne Stroustrup著,第一代事实标准。
    《The Annotated C++Reference Manual》Ellis、Stroustrup著,第二代事实标准。
    C++98标准
    C++11标准
 
1.4 创建程序的步骤
    1.编写源码
    2.编译源码
    3.链接程序生成可执行程序
 
    g++编译器激活C++11标准
    g++ -std=c++0x *.cpp
 
 1.4.1 创建源文件
    C++源文件扩展名
    Unix                     C\cc\cxx\c
    GNU C++                  C\cc\cxx\cpp\c++
    Digital Mars             cpp\cxx
    Borland C++              cpp
    Watcom                   cpp
    Microsoft Visual C++     cpp\cxx\cc
    Freestyle Code Warrior   cp\cpp\cc\cxx\c++
 
1.4.2 编译和链接
    起初Stroustrup使用cfront(C front end)编译器,将C++源码翻译成C源码后使用标准的C编译器进行编译。
    1.UNIX编译和链接
    早期UNIX使用CC调用cfont对C++源码进行编译,该编译器的最后一个版本发布于1993年。
    在C++中同一个程序可包含多个源文件,可将其依次排列于编译指令后。
    如果只有一个源文件编译在执行链接,生成执行程序后,会将目标代码文件.o删除,如果有多个源文件,则不会删除。
    可通过 -l 显示地指定所需要的库。例如,要访问数学库中定义的函数,完整指令如下。
    例:
        CC my.C precious.c -lm
 
    2.Linux编译和链接
      Linux系统中最常用的编译是g++编译器,来自Free Software Foundation的GNU编译器。
      例:
        g++ spiffy.cxx
 
        //链接g++库
        g++ spiffy.c++ -lg++
 
        //编译多个源文件
        g++ my.cxx precious.cxx
 
        //生成一个名为a.out可执行文件和两个目标代码文件my.o和precious.o如果接下来只修改了其中的一个源代码文件,如my.cxx
        //则可以使用my.cxx和precious.o重新编译
        g++ my.cxx precious.o
 
        GNU编译器可以在多个平台上使用,包括基于Windows的PC和各种平台上的UNIX系统。
 
    3.Windows命令行编译器
        Cygwin和MinGW都包含编译器GNU C++,可免费下载使用,编译指令g++.
 
    4.Windows编译器
         IDE集成开发环境
         Compile 对当前打开的文件中的代码进行编译
         Build/Make 编译所有源代码文件中被修改过的文件
         BuildAll 重新编译所有源文件
         Link 将编译后的目标代码与所需要的库代码组合起来
         Run/Execute 运行程序。通常如果没有执行编译/链接过程则先进行编译/链接后运行
         Debug 以调试模式运行,包含调试所需要的功能代码,文件大,运行速度低。
         Release 发布版本祛除调试数据,文件小,运行速度快。
 
         通常IDE允许辅助窗口中运行程序,程序运行结束后,有些IDE会将输出窗口关闭,为了方便查看程序输出。
         可修改代码如下:
         int main()
         {
           std::cout << "Hello World" << std::endl;
           system("pause");
         }
 
    5.Macintosh上的C++
        MacOSX提供了Xcode开发框架,两个命令行编译器g++和clang,可通过Terminal进入UNIX模式运行使用。
 
 
 
 
 
 

                
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

打赏作者

飞天遇见妞

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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