c语言-函数指针和回调函数

函数指针,顾名思义指向函数的指针

函数的首地址在代码区,函数名就是一个函数的首地址

函数指针的定义如下

函数的返回类型 (*函数指针变量名)(参数类型1, 参数类型2......) = 初始值;

若两个函数指针完全相同 则函数的返回类型和参数的个数以及类型都是相同的.

例如

int max(int x, int y){

                 return x > y ? x : y;

}

int  sum(int x, inty){

return x +y;

}

在main函数中可以这样使用如下两个函数

int a = 9, b = 3;

max(a, b);

sum(a, b);

我们发现上面的两个函数中都有一个返回类型为int型,并且都是有两个参数,而且类型是相同的.我们这个时候就可以定义一个函数指针

如下

int (*p) (int x, int y) = NULL;

这个时候如果我们想求最大值,我们就可以用p指针来调用这个函数,我们上面说过函数的名字即是函数的首地址,我们可以让p指针指向这个函数的首地址

即p = max;

这样便可以通过p来调用这个函数了p(a, b);

当然我们也可以用p来调用sum这个求和函数,p是一个函数指针变量,可以重定向,即可以指向max函数也可以指向sum这个函数

p = sum; p(a, b); 这样就可以求出最大值.

但是这个时候我们会发现一个问题,我们在想使用sum 和max函数的时候需要调用两次,我们可以把函数指针作为函数的参数,这样我们在main函数中传入max或者是sum这样便可以自动根据我们的需要求出想要的结果

改进如下:

typedef int (*p) (int , int);//这是对函数指针类型的重命名,和别的typedef不同的是,这个时候新命的名字在*后面,我们这个即p指针

int function(int x, int y, p type);

int max(int x, inty);

int  sum(int x, inty);

int max(int x, inty){

return x > y ? x : y;

}

int sum(int x, inty){

return x + y;

}

int function(int x, int y, p type){

return type(x, y);

}

这个时候在mian函数中,如果想求两个数的和以及最大值便可以如下

int a = 2, b = 3;

function(2, 3, sum);

function(2, 3, max);

这便是回调函数的用法:使用指针来调用函数

我们现在对我们经常对学生信息排序用一个回调函数来实现

首先定义一个结构体数组

struct student{

char name[20];

int age;

};

typedef student Student;

//我们来定义一个结构体数组

Student stu[3] = {

{"liyang", 56},

{"liyan", 23},

{"liming", 24}

};

如果我们想对年龄排序我们通常会写如下函数:

void bubbleSort (Student *p, int n){

BOOL flag= YES;

for(int i = 0; i < n - 1; i ++){

flag = NO;

for(int j = 0; j < n - 1 - i; j++){

if((p + j)- > age > (p + j + 1)){

Student temp = *(p + j);

*(p + j) = *(p + j + 1);

*(p + j + 1) = temp;

}

}

}

}

如果我们想对学生按照姓名排序,就要再if这个判断条件修改一下,改成判断姓名就可以了,别的并没有修改

这个时候我们可以把这个判断条件写成一个函数如下

BOOL isAge(Student *stu1, Student *stu2);

BOOL isAge(Student *stu1, Student *stu2){

return stu1-> age  > stu2->age;//条件关系符返回的是一个布尔值,如果表达式成立,则返回YES,如果表达式不成立,则返回NO

}

BOOL isName(Student *stu1, Student *stu2);

BOOL isName(Student *stu1, Student *stu2){

return strcmp(stu1->name  > stu2->name) > 0;

}

这个时候冒泡中的条件就可以写成 isAge((p + j), (p + j + 1));

但是这个时候还是不是很好,我们可以如上面的回调函数一样,用函数指针作为形参

typedef BOOL (* type) (Student *stu1, Student *stu2);

void bubbleSort (Student *p, int n, type rt){

BOOL flag= YES;

for(int i = 0; i < n - 1; i ++){

flag = NO;

for(int j = 0; j < n - 1 - i; j++){

if(rt(p + j), (p + j + 1)){

Student temp = *(p + j);

*(p + j) = *(p + j + 1);

*(p + j + 1) = temp;

}

}

}

}

这样在主函数中就可以使用

bubbleSort (stu, 3, isName);//按照名字排序

bubbleSort (stu, 3, isAge);//按照年龄排序

但是如果客户的话,他可能不知道isAge是什么isName是什么,但是他想按照"name"排序

可能就会传入

bubbleSort (stu, 3, "name");

这个时候我们怎么样调用呢,当然我们之前的函数仍然可以使用,这个时候我们可以把name传过去,然后接受的时候判断一下是该执行那个函数,然后返回那个函数的地址,这个时候我们就要返回一个一个函数的指针,我们把判断的语句单独拿出来即如下所示

typedef  BOOL(* sortType ) (student *, student *);

sortType isType(char *string){

if(strcmp(string) == "name"){

return isName;

} else if (strcmp(string) == "age"){

return isAge;

} else {

return isName;//如果不是name或者是age则默认按姓名排序

}

}


void bubbleSort (Student *p, int n, char *string){

sortType rt = isType(string);

BOOL flag= YES;

for(int i = 0; i < n - 1; i ++){

flag = NO;

for(int j = 0; j < n - 1 - i; j++){

if(rt(p + j), (p + j + 1)){

Student temp = *(p + j);

*(p + j) = *(p + j + 1);

*(p + j + 1) = temp;

}

}

}

}





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