关于指针的一点点理解

关于指针的一点点理解

#include<iostream>
int main()
{
  using namespace std;
  int *p;
  *p=10;
  cout<<*p;
}

在我的理解里,第一句的int * p是创造了一个指针变量,他的地址是p。这里的“ * ”不是运算符,而是一种定义的标志,即有这个符号就是定义了一个指针变量。 所以如果int * p=10的话,编译器就会报错,因为编译器不认为你是要去用10这个地址。
而随后的 * p=10,“ * ”是解引用的意思,“解”就是把该地址对应的东西解开,解出来,就像打开一个包裹一样,那就是该变量的值了,所以称为“解引用”。也就是说,解引用是返回内存地址中保存的值。所以*p就是一个具有地址的int变量,这就是指针变量。

#include<iostream>
using namespace std;
char * buildstr(char c,int n);
//返回字符串的地址,这样做效率更高,函数无法直接返回一个字符串 ,所以定义的为char* 
int main()
{
	int times;
	char ch;
	cout<<"Enter a character: ";
	cin>>ch;
	cout<<"Enter an integer: ";
	cin>>times;
	char *ps=buildstr(ch,times);
	cout<<ps<<endl;
	delete []ps;
	ps=buildstr('+',20);
	cout<<ps<<"-DONE-"<<ps<<endl;
	delete []ps;//释放所有内存
	//delete ps 只会释放ps[0] 这一点内存,造成内存泄露 
	return 0;
}

char * buildstr(char c,int n)
{
	char *pstr =new char[n+1];//需要能够存储n+1个字符的空间,以便能够存储空值字符 
	pstr[n]='\0';// 存储空值字符 
	while(n-->0)
	{
		pstr[n]=c;
	}
	return pstr;//返回字符串的地址,这样做效率更高,函数无法直接返回一个字符串
	
}

来看看这个源代码叭!这是一个输出指定次数的特定字母的简单程序,即输入a 6,就会输出aaaaaa(有点骚哦),但是这个程序的特点在于它返回字符串的地址!返回了地址,char * ps=buildstr(ch,times);这里的右边是地址!!!这也映证了我第一段说的,定义指针变量时,* p是地址!!!注意为什么随后的语句,cout<<ps<<endl;,为什么输出ps???不输出* ps??照上面说的,他妈的ps是地址啊, * ps才是值啊???注意注意!!ps是字符串的地址!也就是说,ps是数组啦!数组的第一个值,是ps,想要输出所有的数组值,肯定要ps而非*ps了。(*ps=ps[ ])但是实际中还是要定义指针变量,因为指针变量才有地址。也就是说,char ps[]=buildstr(ch,times)是错误的。事实上,数组就是一种指针。
我们来通过代码证明上述。现在我修改代码为cout<<ps[4]<<endl;然后我cin>>time的时候,一次cin>>6,可以正常输出a,另一次cin>>2,发现输出为空,那我就知道了,ps就是一个数组,*ps就是数组的第一个值,*ps=ps[0],ps指向整个数组。

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。
【6层】4837.9平米六层框架综合办公楼(含计算书、建筑、结构图纸) 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。
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