函数的相关知识点

如果函数调用出现在函数定义之前,则对函数调用之前必须对其原型加以声明

函数的返回:

1、return(表达式);       //有返回值

1、return表达式;        //有返回值

1、return;                    //无返回值

8.2.1无参数无返回值的函数

格式:

void 函数名()

{

       函数体;

}

声明格式:void 函数名()

调用格式:函数名();

8.2.1无参数有返回值的函数

格式:

返回值类型符 函数名()

{

       函数体;

}

声明格式:返回值类型符 函数名();

调用格式:函数名(); 或 变量=函数名();

8.2.2带参数无返回值的函数

格式:

void 函数名(类型符1 形参名1,类型符2 形参名2,…类型符n,形参名n)

{

       函数体

}

声明格式:

void 函数名(类型符 1 形参名1,类型符2 形参名2,…,类型符n,形参名n);

void 函数名(类型符 1 类型符2 … 类型符n);

调用格式:

void 函数名(实参列表);

8.3.3

带参数有返回值的函数

格式:

返回值类型符 函数名(类型符 1 形参名1,类型符2 形参名2,…,类型符n 形参名n);

{

       函数体

}

声明格式:

返回值类型 函数名(类型符1 形参名1,类型符2 形参名2,…类型符n,形参名n)

返回值类型 函数名(类型符1,类型符2,…类型符n);

调用格式:

函数名(实参列表);

变量名=函数名(实参列表);

函数参数的传递方式

1、运用值传递方式

函数调用时,为形参分配内存单元,并将实参的值复制到形参中,调用结束,形参所占内存单元被释放,实参的内存单元任保留并维持原值。

2、运用地址传递方式

方式:函数调用时,将实参数据的存储地址作为参数传递给形参

特点:形参和实参占用同样的内存单元,函数中对形参值的改变也会改变实参的值。因此函数参数的地址传递方式可实现调用函数与被调函数之间的双向数据传递。

数组名作函数参数时所进行的传送只是地址的传送。

函数的递归调用(反复调用其自身)

当一个函数在它的函数体内直接或间接的调用它自身,就形成了函数递归。

递归调用有直接递归调用和间接递归调用。

编写递归函数有两个要点:

1.确定递归公式

2.确定结束递归调用的条件

函数的作用域

1、内部函数

如果在一个源文件中定义的函数只能被本文件的函数调用,而不能被同一源程序其他文件中的函数调用,这种函数称为内部函数。

static 类型说明符 函数名(形参表)

内部函数也称为静态函数,但此处静态的含义已不是指存储类型,而是指对函数的作用域只局限于本文件

2、外部函数

外部函数在整个源程序中都有效

extern 类型说明符 函数名(形参表);

在函数定义中如果没有说明extern或static,则隐含为extern。在一个源文件的函数中调用其它源文件中定义的外部函数时,应该用extern说明被调函数为外部函数。

(和全局变量调用的格式相同)

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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

打赏作者

.小乐哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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