C语言基础07

复习:
进制转换:
十进制转二进制:求余,直到商为0,过种的余数就是二进制(逆序)。
二进制转十进制:2^(n-1)
二进制转八进制:三位二进制对应一位八进制
二进制转十六进制:四位二进制对应一位十六进制,超过10用ABCDEF表示
代码中0开头的是八进制数据,0x开头的是十六进制数据
printf %o以八进制显示 %x以十六进制显示

原码与补码:
正数的原码就是它的补码
负数的 ~原码+1 才是它的补码

无符号的补码就是原码
有符号最高位是0的补码就是原码
有符号最高位是1的补码:~(补码-1)

运算符优先级:单目 算术 位 关系 逻辑 三目

位运算符:& | ~ ^ << >>
位运算符中 ~ 运算级别最高。
^ 异或
>> 补符号位
00101000
00000001
int num = 40;
num = num >> 1 + 2;
printf("%d",num);

自定义函数:
函数声明:告诉编译器函数的格式,方便它检查调用时的参数。
返回值类型 函数名(类型1 变量名1,类型2 变量名2,…);
隐式声明:如果在调用函数没有声明和定义,编译会猜测函数的格式
根据实参猜测函数的参数类型,返回值默认为int。
函数定义:如果函数的定义在调用之前,可以省略函数声明。
返回值类型 函数名(类型1 变量名1,类型2 变量名2,…)
{
函数体;
return val;
}
注意:如果函数没有返回值,要写void,否则默认为int类型返回值。
注意:如果不需要参数,形参要写void,空参表示任何参数都可以调用函数,容易产生误会。

函数传参:
1、形参变量属于它所在的函数,出了该函数就不能再用。
2、实参与形参之间是以赋值的形式传递数据的(值传递)。
3、return 其实是把数据放置到一个公共区域(函数和函数调用者),如果不写return语句,该区域中就是一个随机的垃圾数据。
4、数组作为函数的参数时,长度会丢失,需要额外增加一个变量把数组的长度也传递过去。
5、数组的传递是"址传递",函数和函数调用者可以共享数组。
练习1:实现函数,找出数组中的最大值。
练习2:实现一个函数,对数组进行排序。
练习3:实现一个函数,查找数组是否存在某个值,如果存在返回该值在数组中的下标。
int find_arr(int arr[],int len,int val);

设计函数的准则:
1、一个函数最好只解决一个问题,这样可以降低出错率,提高可读性。
2、最好不依赖其它函数(降低耦合度)。
3、数据由调用者提供,结果也样返回给调用者(通用性)。
4、要考虑调用者提供的非法数据,可以通过返回值方式告诉调用者,或者把可能出现的情况在注释中写明。

进程映像:
程序:存储磁盘上的可执行文件(二进制文件、脚本文件)。
进程:正在系统中运行的程序。
进程映像指的就是进程的分布情况:

text 代码段 存储是二进制指令,常量数据,权限是只读,强制修改会产生段错误。

data 数据段 初始化过的全局变量

bss 静态数据段 未初始化的全局变量,程序运行时会被清理为0。

stack 栈 局部变量、块变量 会随着程序运行不断申请、释放 由于系统管理

heap 堆 由程序员手动管理 特点就是够大

局部变量和全局变量:
局部变量:定义在函数内
stack
函数调用开始到函数执行结束
只能在函数内使用
全局变量:定义在函数外
data(初始化)或bss(未初始化)
main运行前定义完成程序结束才释放
程序的任何位置都可以使用
局部变量可以和全局变量同名,但会屏蔽同名的全局变量,建议全局变量首字母大写。

存储介质:
硬盘-》内存-》高级缓存-》寄存器

类型限定符:
auto 用于定义自动分配、释放内存的变量(局部变量),不加就代表加。
注意:全局变量、静态变量不能用它修饰。也不能与static同时使用
C11 标准中用于自动类型识别
auto num = 3.14;
extern
声明变量,意思是此变量在别处已经定义,请放心使用。
但只临时渡过编译时间,链接时如果找不到依然会报错。
static
改变存储位置:
改变局部变量、块变量的存储位置,由stack改为data或bss。
被它修饰过程的局部变量也叫静态局部变量。
延长生命周期:
延长局部变量、块变量的生命周期。他们的初始化语句只能第一次有效
限制作用域:
限制全局变量、函数只能在本文件内使用。
可以全局变量、函数命名冲突,也可以防止被别人调用。
const
"保护"变量不被显式修改。可以被隐式修改
但是,如果被初始化过的全局变量、静态局部变量被const修饰,存储位置就会变成text。成为了真正的常量,再强行修改就会产生段错误。

volatile
如果变量值没有显式的修改,在使用这个变量时不从内存中读取,而继续使用上次读取的结果。
变量被volatile修饰后,每次使用到这个变量时,都会从内存中读取。
有些变量可能会被隐式修改,要随时得到最新值就要用volatile修饰
一般硬件编程时或多线程编程时使用。
volatile int num = 10;
if(num == num)
{

}

register
申请把变量的存储介质由内存改为寄存器,但由于寄存器有限不一定百分百成功。
注意:寄存器变量不能被取地址。
提高变量的读写速度,从而提高程序的运行速度

typedef
类型重定义,定义变量时如果前面加上typedef变量名就变了这种类型(注意不是替换关系)。

函数递归:
函数自己调用自己的分行叫递归,会产生死循环。
递归可以实现分治这种算法,就是把一个复杂的大问题,分解成若干个相同的小分问题,直到问题全部解决。

1、出口
2、解决一个小问题
3、调用自己

如果计算第N项斐波那切数列。

递归函数每调用一次都会在栈内存产生一份自己的拷贝,直到达到出口,才一层释放,因此使用递归非常耗费内存,与循环相比速度非常慢,能用循环解决的问题不要使用递归。

递归优缺点:
1、耗费内存、速度慢
2、就是好理解、思路清晰。
3、可以解决非线性的执行过程。

作业:
1、使用递归模拟汉诺塔的移动过程。

2、全排列0~9。

3、输入一个整数,计算0~9每个数字出现的次数。

0 1 2
0 2 1
1 0 2
1 2 0
2 0 1
2 1 0

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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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