普通引用

 

普通引用

 

1、引用的语法:Type& name = var; 

2、属于C++的语法范畴,属于C++编译器对C的扩展,不能用c语言的语法取思考

3、普通引用要初始化

4、引用作为函数参数声明时不进行初始化

 

复杂数据类型的引用

 

//复杂数据类型的引用
struct teacher
{
	char name[63];
	int age;
};

void printft(teacher *pt)
{
	cout << pt->age << endl;
 }

//pt是t1的别名,相当于修改了t1
void printft2(teacher &pt)
{
	cout << pt.age << endl;
	pt.age = 90;
}

//pt和t1s是两个不同的变量
void printft3(teacher pt)
{
	cout << pt.age << endl;
	pt.age = 45;//只会修改pt变量,不会修改t1变量
}

void main()
{
	teacher t1;
	t1.age = 35;
	printft(&t1);

	printft2(t1);//pt是t1的别名

	printft3(t1);//pt是形参,t1拷贝一份数据给pt,相当于 pt=t1

	printf("t1.age:%d\n",t1.age);

	printf("pt.age:%d\n", t1.age);
	system("pause");

}

 

引用的本质探究

//引用本质探究
// 1、单独定义引用时,必须初始化,说明很像一个常量
void main04()
{
	int a = 10;
	int &b = a;//b很像一个常量
	//b是a的别名,请问c++编译器后面做了什么工作?
	b = 11;
	cout << "b--->" << a << endl;
	printf("a:%d\n", a);
	printf("b:%d\n", b);
	printf("&a:%d\n", &a);
	printf("&b:%d\n", &b);  //a、b是同一块内存空间的门牌号
	printf("sizeof(teacher):%d\n", &b);  //a、b是同一块内存空间的门牌号
	system("pause");
}

//2、普通引用有自己的内存空间吗? //有 
struct person
{
	char name[64];//64字节
	int age;//4字节
	int &a;// 10字节  //很像指针所占内存空间大小 //换成double结果也是一样,和内存没关系  //普通引用不是要赋初值吗?
	int &b;// 10字节
	
};

void main05()
{
	printf("sizeof(person):%d\n", sizeof(person));  //a、b是同一块内存空间的门牌号
	system("pause");
}

// 3、引用本质探究
void modifya1(int &a1)
{
	 a1 = 100;
}

void modifya2(int * const a1)
{
	*a1 = 200; //*实参的地址 去间接地修改实参的值
}

void main06()
{
	int c = 10;
	//1
	modifya1(c);//指向这个函数调用的时候,不用手动取地址
	cout << "c=" << c << endl;

	//2
	c = 10;
	modifya2(&c);//如果是指针,需要程序员手动取地址
	cout << "c=" << c<< endl;

	system("pause");
}



//间接赋值
void modifya3(int *p)
{
	*p = 100;//3、*p形参间接修改实参
}

void main()
{
	int p = 10;
	int *n = NULL;//间接赋值三个条件 1、定义两个变量
	n = &p;
	*n = 100;

	modifya3(&p);//2、建立关联
	system("pause");
}

 

间接赋值成立的三个条件

1、定义两个变量 (一个实参一个形参)

2、建立关联 实参取地址传给形参

3、*p形参去间接的修改实参的值

引用在实现上,只不过是把:间接赋值成立的三个条件的后两步和二为一

 

 

 

 

引用本质的结论

1)引用在C++中的内部实现是一个常指针

Type& name  =  Type* const name

2)C++编译器在编译过程中使用常指针作为引用的内部实现,因此引用所占用的空间大小与指针相同。

3)从使用的角度,引用会让人误会其只是一个别名,没有自己的存储空间。这是C++为了实用性而做出的细节隐藏





函数返回值是引用

C++引用使用时的难点:当函数返回值为引用时

1、若返回栈变量

1)不能成为其它引用的初始值

2)不能作为左值使用

2、若返回静态变量或全局变量

1)可以成为其他引用的初始值

2)即可作为右值使用,也可作为左值使用

 

 

#include <iostream>
using namespace std;

// 一、返回栈变量
int getAA1()
{
	int a;
	a = 10;
	return a;
}

//基础类型a返回的时候,也会有一个副本,返回a的本身,看程序员用什么去接
int& getAA2()
{
	int a;//如果返回栈上的引用,可能会有问题
	a = 10;
	return a;
}

int* getAA3()
{
	int a;
	a = 10;
	return &a;
}

void main01()
{
	int a1 = 0;
	int a2 = 0;
	a1 = getAA1();
	a2 = getAA2();
	int &a3= getAA2(); 
	//当函数返回值为引用时
	//若返回栈变量
	//不能成为其它引用的初始值
	//不能作为左值使用

	cout << "a1=" << a1 << endl;
	cout << "a2=" << a2 << endl;
	cout << "a3=" << a3 << endl; //c++编译器发现返回的是引用,会帮我们做这么一个操作 *a3
	system("pause");
}



// 二、变量是static或者是全局变量
int j()
{
	static int a = 10;
	a++;
	return a;

}

int& j1()
{
	static int a = 10;
	a++;
	return a;
}

int *j2()
{
	static int a = 10;
	a++;
	return &a;
}

void main02()
{
	int a1 = 0;
	int a2 = 0;
	a1 = j();
	a2 = j1();
	int &a3 = j1();
	cout << "a1=" << a1 << endl;
	cout << "a2=" << a2 << endl;
	cout << "a3=" << a3 << endl;
	system("pause");
}
//若返回静态变量或全局变量
//可以成为其他引用的初始值
//即可作为右值使用,也可作为左值使用


//
//——函数当左值

//返回变量的值
int g1()
{
	static int a = 10;
	a++;
	return a;

}

//返回变量本身
int& g2()
{
	static int a = 10;
	a++;
	printf("a=%d\n",a);
	return a;
}


void main()
{
	//g1() = 100;// 错误
	g2() = 100;//函数返回值是引用,并且当左值
	g2();
	int c1 = g1();//函数返回值是引用,并且当右值
	int c2 = g2();//函数返回值是引用,并且当右值
	system("pause");
}

 

 

 

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