黑马程序员--指针

------- android培训java培训、期待与您交流! ----------

c语言之所以强大,以及其自由性,很大部分体现在其灵活的指针运用上。因此,说指针是c语言的灵魂,一点都不为过。

我觉得,指针学容易,但是会灵活用,并不容易。作为一个老菜鸟,我还是只会些基本的,听了老师的视频,感觉又学到了好多。

1,指针定义及赋值
int a = 5;
int *p ;
p = &a;

或者 
int a = 5;
int *p = &a;

指针赋值只能赋予地址值,

int *p;

*p = 5;

一开始我并不觉得这样写是错的,对于这样产生的bug很不理解,回头将视频仔细看了一番,老师说,指针变量是存放地址的变量,而且只能存放地址,然后我才发现,我并没有给指针赋地址值,反而给p所占用的不知名的地址所指向的空间强行赋了值。
简单说
p=&a;是为p赋值,赋地址值
*p=5;是为p指向的内存单元赋值,赋予非地址值。


如果指针没有赋值,则为野指针,野指针会引发系统崩溃。


2,指针所占用空间
在同一系统中,指针所占空间一样,如在32位系统,char 指针和 int 指针都占4字节(4*8=32) 64位系统占8字节(8*8=64) 我是这样理解记忆的。
虽然指针占空间相同,却需要区分类型,这是因为需要根据指针所指类型相应的读取位数。
如 int num = 266,即在32位计算机保存为 00000000 00000000 00000001 00001010 
int * p = #
char *p2 = #
此时,打印 *p*p2,可得 *p = 266, 而*p2 = 10char占一字节,所以char指针只能读取从低位起的第一个字节00001010

如果想查看指针p地址,可如下方式

printf(“p 地址 = %p”,p); //p为指针

int a[5] = {1,2,3,4,5};
打印a的各个地址,则

for(int i = 0;i<5;i++){

printf(“%p”,a+i);

}

3 指针的作用

1,指针可以在被调函数中修改主调函数的变量

2,可以让函数有多个返回值

这俩点是黑马老师总结的,我觉得这俩点,其实就是一点,即主函数里的变量,可以通过指针,在其他调用的函数修改。

在没学指针前,很多时候是通过全局变量实现变量跨函数将值修改保存等。但是全局变量多的话占空间不说,还很眼花缭乱,而局部变量,通过指针,达到一定范围内全局的效果。


4二级指针

二级指针,就是一个指针所指的存储单元里依然保存的是地址,这个地址所指向的存储单位不为地址,此时的指针就是二级指针。如:

 int a = 5;

int p1 = &a;

int p2 = &p1;

则p2为二级指针,保存的是p1的地址,级 p2 == &p1, *p2 == *(&p1)==p1,*p1 == a ,及 **p2 == a。结论:对n级指针取n次(*)后,值为其最初指向的值。


5 char类型指针数组

如下:

char *name[]={

"Monday","Tuesday","Wednesday","thursday","Friday","Saturday","Sunday"

}

name即为一个char类型指针数组,其存放着星期一到星期天的字符串的地址,字符串的长度以读到‘\0’为止。

打印:

for(int i = 0;i<5,i++)

 {

printf("%s\n",*(name[i]));

}


------- android培训java培训、期待与您交流! ----------

详情请查看:http://edu.csdn.net/heima


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