内存对齐的理解

首先,什么是内存对齐?

如果你不了解内存对齐,你应该会认为数据在内存上是一个接一个连续存储的,然而实际情况并非如此,数据是按照一定的规则在内存中摆放的,这个规则就是内存对齐的规则。为什么要内存对齐呢,这是因为各个硬件平台对存储空间的处理上有很大不同,一些平台对某些特定类型的数据只能从某些特定地址开始存取,这通常是因为要考虑存取数据的效率才如此设计的。比如有些平台每次读取都是从偶地址开始,如果一个int型(假设为32位)的变量存放在偶地址开始的地方,那么一个读周期就可以读出,而如果存放在奇地址开始的地方,就可能会需要两个读周期,并且对两次读出的结果的高低字节进行拼凑才能得到该int数据,这种情况效率下降很多。

一般情况下我们不需要考虑内存对齐的问题,编译器会替我们选择适合目标平台的对齐策略,当有特殊需求时,我们也可以自定义数据的对齐规则。

如果你不了解内存对齐,你运行下面的代码

struct Test{
        int a;
        char b;
        short c;
    };
printf("size is %lu\n",sizeof(struct Test));

int占4个字节,char占1个字节,short占2个字节,结构体的长度应该是7,但是运行的结果会是8.而如果我们把b和a互换一下位置

struct Test{
        char b;
        int a;
        short c;
    };
printf("size is %lu\n",sizeof(struct Test));

运行结果结果会变成12.

对齐规则可以这样理解,存放数据的起始地址要是数据自身长度的整数倍,也就是起始地址对自身长度取余结果为0,比如第一个成员变量的长度是1,起始存储位置为0x0000那么0x0000%1=0,所以是可以的。第二个成员变量的长度是4,如果按顺序存储,起始位置应该为0x0001,但是0x0001%4不等于0,所以要向后找符合规则的位置,直到0x0004,也就是说第一个变量到第二个变量之间的0x0001、0x0002和0x0003地址都是空着的。第三个成员变量的长度是2,紧接着第二个成员变量的起始位置是0x0008(0x0004-0x0007用来存储第二个变量),而这个位置符合规则,所以可以使用。这样,这个结构体占用了从0x0000-0x0009的10个字节,为什么结果是12呢,这是因为除了每个成员变量需要对齐外,整个结构体也需要对齐,结构体的对齐要求是自身长度要是最大成员变量长度的整倍数,最大成员变量的长度是4,也就是说结构体的长度要是4的倍数,目前结构体长度是10,那么最理想的结果就是12了。这就是对齐的规则。

我们再来说一说如何自定义对齐规则,因为当涉及到客户端与服务端通信时通常都会用到。

#pragma pack(2)
    struct Test{
        char b;
        int a;
        short c;
    };
#pragma pack()
printf("size is %lu\n",sizeof(struct Test));

运行上面代码,结果是8.代码#pragma pack(2)可以指定按2字节对齐,所以起始地址需要时2的整数倍,大家可以自己算一下结果是不是8.另外注意,#pragma pack()可以取消指定对齐,让代码恢复默认对齐规则。当客户端以结构体的形式传2进制流数据与服务端通信时,一般都按1字节对齐。

 

转载于:https://www.cnblogs.com/zijintime/p/7515074.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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