变量

变量,在C语言设计的过程当中规定变量名只能包括字母,数字,以及下划线,并且第一个字符必须是下划线或者字母。(并且区分字母大小写)


变量,以在源程序中位置来区分,可以分为局部变量,以及全局变量。局部变量,其定义在函数内部。而全局变量则定义在函数外部。如果全局变量声明在头文件中,并且前面有关键字extern 修饰,那么其作用就是将该全局变量导出,可以使得其他调用该头文件的源文件可以直接使用该 全局变量。


除了,extern关键字修饰的变量,还有一个以static关键字修饰的静态变量。static 修饰的静态变量有个特点,就是在初始化之后,当程序再次调用该变量时,便不再初始化,而是保留上最近更新的一次操作时赋予的值。因此局部静态变量的特点就是,当局部变量所在函数执行完之后,static 局部变量的生命周期不会因此而终结,而是跟整个程序相同,只有程序结束时,该static变量的生命周期才结束。使用static修身的全局变量则兼备,静态变量以及全局变量的所有特性。


除上述两个变量修饰的关键字外,还有一个很重要的关键字 const型变量。const 型变量的特点就是初始化之后,该值不能被赋值。由于于const 型变量只能在当前文件中使用,所以当我们想用const 声明一个全局变量,并且想给多个源文件调用时,我们需要在头文件中,同时给出声明以及定义。而,在头文件中使用const 型全局变量的目的,是为了,在存在多个源文件调用的情况下,const型变量不会因为源文件过多,而造成可能重复定义的问题。


补充:

对于全局静态变量而言,其作用范围仅在自身所在的当前文件中,若想将全局静态变量包含到头文件中,那么必须在头文件中声明和定义(声明的同时会被初始化,如果没有显示的赋值,则会初始化为默认值)。而普通的全局变量不能直接在头文件中定义(原因:1. debug 角度:当非常多的源文件调用该头文件时,如果多个文件都对该全局变量做了操作,并且出了问题,那么排错难度将大大增加。2. 内存使用角度:当非常多的源文件调用该头文件时,系统会多次重复为该头文件分配空间,造成资源浪费。)。与此同时,当静态全局变量声明在头文件中,且多个源文件对其调用的过程中,各个源文件会将头文件中的静态全局变量拷贝一份至自己本地,且初值相同,因此,当多个源文件对该静态全局变量操作后,不会影响到其他源文件中的静态全局变量的值。

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