c++系列文章(3):复合类型——指针和引用

博客链接
  复合类型是指基于其他类型定义的类型,本文主要介绍其中的两种:指针和引用(这里是指左值引用)

声明符

  最简单的声明语句由一个数据类型和紧随其后的一个变量名列表组成,但更通用的描述是,一条声明语句由一个基本数据类型和紧随其后的一个声明符列表组成。每个声明符命名了一个变量并指定该变量为与基本数据类型有关的某种类型。
  在同一条声明语句中,基本数据类型只有一个,但是声明符却可以有多种形式,也就是说一条声明语句可以定义处不同类型的变量。

//这条声明语句的基本数据类型是int,但是由于声明符不同,i、p、r这三个变量的类型也不同
int i = 1024, *p = &i, &r = i; //i是int型的数,p是int型指针,r是一个int型引用

  基本数据类型和类型修饰符(如*和&)的关系常常让人迷惑,其实类型修饰符就是声明符的一部分,而且同一条声明语句中的类型修饰符只作用于其紧接着的变量,而不是声明语句中的所有变量。

//基本数据类型是int,而不是int*,*号只作用于p
int *p = &i,q; //p是指向int的指针,q是int

  对于复杂的声明语句,要理解变量的类型是什么,最简单的方法就是从右向左阅读变量的定义,离变量名最近的符号对变量的类型有最直接的影响。

int *p = &i;
//离r最近的符号是&,,因此r是引用类型,剩下的int *用于表示引用的类型是int型指针
int *&r = p; 

引用

  除了两种例外情形外,引用的类型要和与之绑定的对象严格匹配,而且引用只能绑定在对象上,不能与字面值或某个表达式的计算结果绑定在一起。

int &refInt = 4; //错误:引用类型的初始值必须是一个对象
double Pi = 3.14;
int &refPi = pi; //错误:引用类型的初始值必须是int类型

指针

  除了两种例外情形外,指针的类型要和它所指向的对象严格匹配。

int* p = π //错误:试图把double类型对象的地址赋给int类型的指针

  空指针表示不指向任何对象,得到空指针最简单的方法就是使用字面值nullptr来初始化指针,nullptr是一种特殊类型的字面值,它可以转换成任意其他的指针类型,也可以通过将指针初始化为字面值0来生成空指针,但不能使用值为0的int类型的变量来初始化。

int *p = nullptr;
int *q = 0;
int i = 0int *pi = i; //错误,不能把int变量直接赋给指针

  只要指针拥有一个合法值,就能将它用在条件表达式中,如果指针的值是0,条件值取false,如果非0条件值取true。使用非法指针会引发不可预计的后果。

int *p = nullptr;
if(p) //p的值是0,条件的值是false
int i = 0;
int *pi = &i;
if(pi) //pi的值不是0,条件的值是true

  void*指针是一种特殊的指针,可以用于存放对象的地址,但和普通指针不同的是,我们对于该地址中是什么类型的对象并不了解。

int i = 0;
void *p = &i; //void*指针可以存放任意类型的对象地址
double d = 0.0;
p = &d; //void*指针可以存放任意类型的对象地址

  因此void指针所能做的事也有限:拿它和别的指针进行比较、作为函数的输入输出、赋给另外一个void指针,但不能直接操作void*指向的对象,因为我们无法确定该对象的类型,也就无法确定能在这个对象上做哪些操作。

区别与联系

  指针和引用都能提供对其他对象的间接访问,二者最主要的区别是引用本身并非一个对象,而指针是一个对象
  一旦定义了引用,就无法令其再绑定其他对象,之后每次使用这个引用都是访问它最初绑定的那个对象。
  而指针则没有这种限制,和其他对象一样,给指针赋值就是令它存放一个新的地址,从而指向一个新的对象。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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