C语言学习笔记(1)

学习目标:

C语言基础之发展认知


学习内容:

C语言是一门计算机语言;
类似于英语、汉语等人与人之间的交流语言,而计算机语言是人与计算机之间的沟通语言;
而早期,计算机语言只有二进制语言,即0和1,当人与机器沟通时,需要写一连串的0/1来表示特定的操作命令,命令之多,相应的0/1组合相当繁琐,需要查表翻手册才能完成一连串指令操作;
后来为了便于识别,将特定的0/1组合标识为一定的含义来方便识别和记忆,如将某特定0/1组合“00xxxxx0101”(举例,胡乱写的组合)用“ADD”命名,此时,这类“ADD”的符号就被称为助记符,此时使用这些助记符的语言形成了汇编语言;
再后来,汇编语言也被嫌弃了,就有了后来进一步发展的B语言;
再后来又发展起了C语言、C++语言等高级语言;
高级语言的出现,让编程门槛变得越来越低,而实现的功能也越来越多。

高级语言的发展也是一个缓慢而渐进的发展,以C语言为例,早期的C语言被不同地域和领域的人应用和完善,因此出现了百家争鸣的现象,这种现象的出现也有一个弊端,那就是各家的程序在别人家的编译器上没办法通过,于是便有人(ANSI)牵头定义了国际统一标准C89,在不断成熟的过程又有C90、C99、C11等,但C99、C11因为没有流行起来,所以一些编译器并不支持;国际标准让各家工作交流变得更畅通、高效。


学习时间:


学习产出:

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