UCC编译器学习笔记13

我们来思考个问题:

int a;

int a[3][4];

假如有两个定义,现在我们要想描述出标识符a的类型信息,我们会怎么做呢,

  • 对于第一句代码:下面的Type类型中的categ置为一个数,即可表明它的类型了。
  • 对于第二句代码:a不仅需要int信息,还有,它是指针信息,还有它是指向int * [3][4]的这些信息,这个仅仅Type类型中的成员是无法表述的了,因此需要最下面的typeDerivList类型,也就是复合类型(这里不是指结构体或者联合体),用来描述该标识符的更多信息。除了数组外,函数,指针,等也属于符合类型,有多个信息需要描述,因此,Type类型中的bty就是用来指向额外的结构体typeDerivList的。该结构体什么时候指向的呢,是在语义检测的时候,DeriveType函数实现的。

#define TYPE_COMMON \   //表示公有的类型,就是各种类型,都需要有这个成员的

    int categ : 8;  \

    int qual  : 8;  \   //constant还是volatile

    int align : 16; \

    int size;       \

    struct type *bty;   //如果有第二类型属性,该指针指向那个基类。如果是函数类型,则这个是返回值的类型

                        //最重要的,如果是指针变量,指针本身是int型,但是bty这个域就是指向的那个类型。举个例,int arr[3][4];

typedef struct type     //要想描述arr的类型,

{

    TYPE_COMMON

} *Type;

----------------------------------------------------------------------------------------------------

typedef struct typeDerivList

{

    int ctor;       // type constructor     pointer / function / array

    union

    {

        int len;    // array size,例如 int arr[3]中的 3

        int qual;   // pointer qualifier,记录指针的限定符(例如” int * const ptr”中的 const)

        Signature sig;  // function signature,sig 用于记录函数形参列表的类型

    };

    struct typeDerivList *next;

} *TypeDerivList;

此外,的例子还有:

static const int *a, a3[5];

int fn(int aa);

它们都属于复合类型,因此需要TypeDerivList结构体的加持,才能充分描述出类型信息。

int * arr1[5];
int (*arr2)[5];

结合 CheckDeclarationSpecifiers 函数所得到的类型信息,遍历如图 4.4.7 中所示的由若
干个 struct TypeDerivList 对象构成的链表,我们就可构建起“第 2.4 节 C 语言的类型系统”
中介绍的类型结构,与此相关的代码如图 4.4.8 所示。

经过 DeriveType()函数的类型推导,我们会为 int * arr1[5]和 int (*arr2)[5]这两个声明分
别构建如图 4.4.9 所示的类型结构

 

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