c++读书笔记之表达式

表达式

什么是表达式:表达式由一个或多个运算对象组成,把一个运算符和一个或多个运算对象组合起来可以生成较复杂的表达式。

运算符

一元运算符,二元运算符,三元运算符, 函数调用也是特殊的运算符

算术运算符(+,-,*,/ , %)

满足左结合率
几个需要注意的问题:
bool值最好不要参与算术运算
#include <iostream>
using std::endl; using std::cout;
using std::cin;
int main()
{
    int k = 1024;
    int i = -k;    // i = -1024
    bool b1 = true;
    bool b2 = -b1;   // b2 = true
    return 0;
}
b1  = 1, -b1 = -1. 只有0为false。

除法运算符号相同为正,求余运算符号为被除数的值。


逻辑关系运算符(&&,||)

求值结果都是右值。

if(val == true) 与 if(val)

赋值运算符(=)

注意区分初始化和赋值
const int ci =i     //为初始化

递增递减运算符(++,--)

最好不要调用后置版本,前置版本比后置版本有更好的性能
*pi++  等价与*(pi++)

成员访问运算符,条件运算符(*,->, :?)

条件运算符满足右结合律
#include <iostream>
#include <string>
using std::cout; using std::cin;
using std::endl; using std::string;

int main()
{
    int grade1 = 76;
    int grade2 = 61;

    string finalgrade1 = (grade1 > 90) ? "high grade" : grade1 > 75 ? "pass" : grade1 > 60 ? "lowpass" : "fail";
    cout << finalgrade1 << endl;
    string finalgrade2 = (grade2 > 90) ? "high grade" : grade2 > 75 ? "pass" : grade2 > 60 ? "lowpass" : "fail";
    cout << finalgrade2 << endl;
    return 0;
}


位运算符(~,<<,>>,&,^,|)



sizeof运算符

#include <iostream>
using std::cout; using std::cin;
using std::endl;
int main()
{
    cout << sizeof(int) <<
    sizeof(short) <<
    sizeof(char) <<
    sizeof(double) <<
    sizeof(float) << endl;
    int x[10];   int *p = x;
cout << sizeof(x)/sizeof(*x) << endl;
cout << sizeof(p)/sizeof(*p) << endl;
    return 0;
}


逗号运算符


组合运算符和运算对象

复合表达式:由两个或多个运算符组成的表达式。
需要关注:
1.优先级
2.结合律
3.求值顺序,

对于   int i = f() + g();

我们并不知道f()和g()谁先会被调用。

但有些运算符是规定了求值顺序的:&& ,|| ,?:

运算对象转换

显示转换

static_cast

const_cast

常量指针被转化成非常量指针,转换后指针指向原来的变量(即转换后的指针地址不变)。

reinterpret_cast

左值和右值

右值返回的是对象的值,而左值返回的是对象的身份。
有4个地方需要用到左值:
1.赋值运算符需要一个左值作为左侧运算对象。
2.取地址符作用一个左值运算对象,返回一个右值。
3.解引用运算符,下标运算符的求值结果都是左值。
4.递增递减运算符作用与左值运算对象,返回一个左值。

int  *p;
decltype(*p) // 因为*p返回左值,所以结果为int&。
decltype(&p) // 因为&p返回的是右值,所以结果为int**。

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