3月19日整理

将函数中的数组换成指针

一、修改str_connect函数
二、修改str_replace函数
三、修改str_find函数
四、修改str_delete函数
五、指针与数组下标的时间测试

一、修改str_connect函数

void str_connect(char *str_a, char *str_b)
{	 
	char *str_ab = str_a;//将a的地址赋给*str_ab
	while(*str_ab!='\0')
	{
		str_ab++;
	}
	while(*str_b!='\0')
	{
		*str_ab++=*str_b++;
	}
	*str_ab='\0';
}

二、修改str_replace函数

void str_replace(char *s, char a, char b)
{
	int i;
	for(i = 0; *(s+i) != '\0';i++)
	{
		if(*(s+i) == a)
		{
			*(s+i) = b;
		}
	}
}

所犯错误:for的语句二写成*s!='\0',造成死循环。

三、修改str_find函数

void str_find(char *s, char *str_save, int *counter)
{
	char *counted=NULL;	
	char counted_char = '#';
	int i ,j ,k = 0;
	int count;
	counted = (char *) malloc ( MAX_STRLEN);
	for(i = 0;*(s+i) != '\0';i++)
	{
		if(*(counted + i) != counted_char)
		{
			count = 0;
			for(j = 0; *(s + j) != '\0'; j++)
			{
				if(*(s + i) == *(s + j) && *(counted + j) != counted_char)
				{
					count++;
					*(counted + j) = counted_char;
				}
			}
			*(str_save + k) = *(s + i);
			*(counter + k) = count;
			k++;
		}
	}
	*(str_save + k)='\0';
	free(counted);
}

所犯错误:
1、for语句二写成*s!='\0',造成死循环;
2、第二个if语句的第一个条件写成了(s + i) == (s + j);
3、*(str_save + k)='\0'写成了*str_save='\0',出现内存空间占用错误。


四、修改str_delete函数

void str_delete(char *str_old, char *str_new)
{
	int i,k = 0;
	int count = 1; //ns长度
	int b = 0; //标记
	*str_new = *str_old;
	for(i = 0; *(str_old+i) != '\0'; i++)
	{

		for(k = 0; k < count; k++)
		{
			if(*(str_new+k) == *(str_old+i)) //s[j]与ns中全部字符比较
			{
				b = 1;
			}
		}					
		if(b == 0)
		{
			*(str_new+count) = *(str_old+i);
			count++;
		}
		b = 0;
		*(str_new+count) = '\0';//防止ns输出溢出
	}
}

五、指针与数组下标的时间测试

以str_replace函数为例进行测试



结论:指针更加快捷。





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