数据在内存中的运用

数据类型的简介:

c中的内置基本数据类型包括 :char(1byte),short(2byte),long(4个字节),int(4个字节),(整形包括unsigned,signef,默认为signed)float(4byte),double,(8byte)long doubledeng(10字节)。而构造类型包含: 数组类型,结构体类型(structural) 枚举类型(enumerate) 联合类型(union)。下面我给大家深入的分析下c中的基本数据类型在计算机是如何存储的:

整形家族:

整形家族包含:char(signed(-128-127),unsigned(0~255)) ,short (signed(-2^15- 215-1),unsigned(0-216)),long (singned(-231~231-1),unsigned(0~2^32-1)),int (singned(-231~231-1),unsigned(0~2^32-1)),其中数据在内存中存储的前提就是先进行转换成对应的二进制数。,而对与无符号数(unsigned)数据直接转化成二进制,然后存入,而对于有符号数整形(signed)则先要进行转化为,二进制原码,然后在进行求其补码,然后才能存入到计算机当中。下面我给大家介绍下由原码-反码的规则:

原码-补码规则:

对于有符号数int型,最高位代表为符号位:,然后就是符号位不变,然后将原码按位取反,然后再加1,就可以实现有源码到补码的过程:char a=10转成二进制为0000 1010(原码)-0111 1010(反码)-0000 1010,即正数的原返补,都是不变的,同时对于有符号负数char a=-10的二进制1000 1010(原码)-1111 0101(反码)-1111 0110(补码),因此计算机中最终存放的时1111 0110(补码),编程实现如下:
在这里插入图片描述
在这里插入图片描述
通过运行结果可知:char a=10;在内存中存放的时0x0a=(0000 1010)符合前面的介绍,而对于char
a=-10,在内存中放的为oxf6(1111 0110)也验证了之前的球的结果。

整形提升和数据越界问题:

当我们在进行整形之间的运算时会发生,数据由低字节的数据,转化为高字节的数据问题,此时基会有整形提升,例如char(1) 转化为int(4)此时就会进行整形提升,由8bit转换为32bit,转换的规则,就是无符号数,直接在其二进制前面补0知道补齐32bit,但对于有符号数就需要进行,在符号为前,补符号位,直到补齐32位。同时在运算的过程中,还会发生越界的情况:比如:char a=128,但是有符号char的范围时(-128~127),因此发生越界情况,但是在内存存储时,就会发生截断现象,a=128的二进制就会变成(0 1000 0000)此时就会把符号位0,截断,因此在内存中其实存放的就是1000 0000,(-128),下面就具体的程序验证如下:
在这里插入图片描述
通过程序可知 char a=128,在内存中放的时0x80(1000 0000),直接验证上面的越界截断的存在。

整形大小端问题:

在当我们把数据转化为二进制后,然后进行的就是如何把01序列按bit位,进行存储,这时就需要分大小端(大小端是按字节来存放的)。对于一个二进制数来说,有高权值位,低权值位,同时地址也分高地址,低地址,当数据的低权值位放到低地值,这称为小端,如果低权值位放到高权值位就会成为大端:
在这里插入图片描述

浮点数在内存中的存储:

浮点型在内存的存储,则是以科学计数法的方式进行存储的:
对于float(32bit)例如: float a=4.2;转为进制:100.001,然后其科学的计数法表示位1.00001*2^2;
此时用s表示符号位,目标是有效数字,e表示指数,其在内存中存储就是 1 1000 0001 00001 0000 0000 0000 0000 00,即使首位存放s(符号位),然后八位放(就是e+,-127)放e,然后就放其是s(再放s的过程中,其整数部分可以省略),如e全为0,这表示为0,若全为1,表示无穷大
程序验证如下:
在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统,可以是移动应用、网页服务或集成到智能农业设备。 7. **实时监测**:在实际应用,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测的应用将越来越广泛。
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