苏嵌嵌入式Linux实训 第四天

苏嵌嵌入式Linux实训 第四天

一、主要学习内容
今天我们学习了嵌入式C开发实战,老师带我们复习了数组指针等C语言知识点,并为我们总结了C语言简单知识点,最后还带我们进行了编程训练,加深了我对C语言的理解。
二、学习总结
<一>概述
1、C语言之父?
  丹尼斯·里奇
2、C语言的特点(优势)?
  直接访问硬件、运行效率、移植性
<C语言为什么能够直接访问硬件?>——C语言有指针类型
<嵌入式开发为什么选择C语言?>——所有操作系统的内核都采用了C语言
<Python最终替代所有的编程语言?>——不会
3、C语言标准?
  K&RC 、C89、C99、C11
4、如何学习C语言?
  写代码并不是大量的看书
<二>数据类型
1、所有的数据类型的定义、初始化;
int a; 一个整型数
int *a; 整型指针变量
int **a; 整型指针的指针变量
int a[10]; 整型数组
int *a[10]; 整型指针数组
int (*a)[10]; 数组指针变量,指向的是整型数组
int (*a)(int); 函数指针变量,指向的是形参为int,返回值为int
int (*a[10])(int);/函数指针数组
2、右左法则:
(1)确定a是一个变量,就要确定该变量保存什么类型的数据,保存什么类型的数据,它就是什么类型的变量;
(2)确定a是一个指针变量,就要确定该指针变量保存什么类型的地址,保存什么类型的地址,它就是什么类型的指针变量;
(3)确定a是一个数组,就要确定数组里的元素是什么类型的,元素是什么类型,它就是什么数组;
(4)确定a是一个函数,就要确定函数的形参和返回值;
3、各种数据类型的字节长度(所占内存空间的大小)
数据类型 字节长度 取值范围
char 1type -128~127
short 2type -32768~32767
int 4type -2147483648~2147483647
long 8type -2147483648~2147483647
float 4type 1.175e-38~ 3.402823e+38
double 8type 2.225e-308~1.797693e+308
注意:指针变量的字节长度是固定的!!!!
<三>输入输出
printf
scanf
putchar
getchar
gets
<四>运算符、基本控制语句
1、i++; ++i;
逻辑运算符 &&  || !
2、位运算
3、while  for //已知循环次数用for,不知循环次数用while
4、if  switch  case
5、break  continue
6、goto:异常处理
//函数传参从右边开始传参

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