Advanced Programming in UNIX Environment Episode 25

内存流

#include <stdio.h>

FILE *fmemopen(void *restrict buf, size_t size, const char *restrict type);

type参数控制如何使用流。

type 说明
r或rb 为读而打开
w或wb 为写而打开
a或ab 追加:为在第一个null字节处写而打开
r+或r+b或rb+ 为读和写而打开
w+或w+b或wb+ 把文件截断至0长,为读和写而打开
a+或a+b或ab+ 追加:为在第一个null字节处读和写打开
#include "apue.h"

#define BSZ 48

int main()
{
    FILE *fp;
    char buf[BSZ];

    memset(buf,'a',BSZ-2);
    buf[BSZ-2]='\0';
    buf[BSZ-1]='X';
    if((fp=fmemopen(buf,BSZ,"w+"))==NULL)
        err_sys("fmemopen failed");
    printf("initial buffer contents: %s\n",buf);
    fprintf(fp,"hello, world");
    printf("before flush: %s\n",buf);
    fflush(fp);
    printf("after fflush: %s\n",buf);
    printf("len of string in buf = %ld\n",(long)strlen(buf));

    memset(buf,'b',BSZ-2);
    buf[BSZ-2]='\0';
    buf[BSZ-1]='X';
    fprintf(fp,"hello, world");
    fseek(fp, 0, SEEK_SET);
    printf("after fseek: %s\n",buf);
    printf("len of string int buf = %ld\n",(long)strlen(buf));

    memset(buf,'c',BSZ-2);
    buf[BSZ-2]='\0';
    buf[BSZ-1]='X';
    fprintf(fp,"hello, world");
    fclose(fp);
    printf("after fclose: %s\n",buf);
    printf("len of string int buf = %ld\n",(long)strlen(buf));

    return 0;
}

观察内存流的写入操作

书上说Linux支持,但是其他不支持。目前Mac 10.13也支持。

#include <stdio.h>

FILE *open_memstream( char **bufp, size_t *sizep);

#include <wchar.h>

FILE *open_wmemstream(wchar_t **bufp, size_t sizep);

这两个函数与fmemopen函数的不同在于:

  • 创建的流只能写打开;
  • 不能指定自己的缓冲区,但可以分别通过bufp和sizep参数访问缓冲区地址和大小;
  • 关闭流后需要自行释放缓冲区;
  • 对流添加字节会增加缓冲区大小。

原则:
第一、缓冲区地址和长度只有在调用fclose或fflush后才有效;
第二、这些值只有在下一次写入或调用fclose前才有效。

标准I/O替代软件

标准I/O库的一个不足之处就是效率不高,这与他需要复制的数据量有关。一次是在内核和标准I/O缓冲区之间(当调用read和write时),第二次是在标准I/O缓冲区和用户程序中的行缓冲之间。

有快速I/O、sfio、ASI(Alloc Stream Interface)。

许多标准I/O库实现在C函数库中可用,这种C函数库是为内存较小的系统,如嵌入式系统设计的。uClibc C库和Newlib C库。

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