C语言之柔性数组

目录

柔性数组

柔性数组的特点

柔性数组的使用

柔性数组的优势


柔性数组

  也许你从来没有听说过柔性数组(flexible array)这个概念,但是它确实是存在的。
C99 中,结构中的最后⼀个元素允许是未知大小的数组,这就叫做『柔性数组』成员。
例如:
typedef struct st_type {
    int i;
    int a[0];//柔性数组成员
} type_a;

有些编译器会报错无法编译可以改成:

typedef struct st_type {
    int i;
    int a[];//柔性数组成员
} type_a;

柔性数组的特点

结构中的柔性数组成员前面必须至少⼀个其他成员
sizeof 返回的这种结构大小不包括柔性数组的内存
包含柔性数组成员的结构用malloc()函数进行内存的动态分配,并且分配的内存应该大于结构的大小,以适应柔性数组的预期大小。
typedef struct st_type {
    int i;
    int a[0];//柔性数组成员
} type_a;
int main() {
    printf("%d\n", sizeof(type_a));//输出的是4
    return 0;
}

柔性数组的使用

#include <stdio.h>
#include <stdlib.h>
typedef struct st_type {
    int i;
    int a[0];//柔性数组成员
} type_a;
int main() {

    int i = 0;
    type_a* p = (type_a*)malloc(sizeof(type_a) + 100 * sizeof(int));
//业务处理
    p->i = 100;
    for (i = 0; i < 100; i++) {
        p->a[i] = i;
    }
    free(p);
    return 0;
}
  这样柔性数组成员a,相当于获得了100个整型元素的连续空间。

柔性数组的优势

上述的 type_a 结构也可以设计为下面的结构,也能完成同样的效果。
#include <stdio.h>
#include <stdlib.h>
typedef struct st_type {
    int i;
    int* p_a;
} type_a;
int main() {
    type_a* p = (type_a*)malloc(sizeof(type_a));
    p->i = 100;
    p->p_a = (int*)malloc(p->i * sizeof(int));
//业务处理
    for (i = 0; i < 100; i++) {
        p->p_a[i] = i;
    }
//释放空间
    free(p->p_a);
    p->p_a = NULL;
    free(p);
    p = NULL;
    return 0;
}
上述代码 1 和代码 2 可以完成同样的功能,但是发放 1 的实现有两个好处:
第⼀个好处是:放便内存释放
  如果我们的代码是在⼀个给别人用的函数中,你在里面做了二次内存分配,并把整个结构体返回给用户 。用户调用free可以释放结构体,但是用户并不知道这个结构体内的成员也需要free,所以你不能 指望用户来发现这个事。所以,如果我们把结构体的内存以及其成员要的内存⼀次性分配好了,并返 回给用户⼀个结构体指针,用户做⼀次free就可以把所有的内存也给释放掉。
第二个好处是:这样有利于访问速度
  连续的内存有益于提高访问速度,也有益于减少内存碎片。
  • 8
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论 6
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