实训笔记L4

这篇实训笔记详细介绍了C语言中结构体变量的初始化、指针操作,包括如何通过指针访问结构体成员,以及结构体作为函数参数和共用体类型的使用场景。此外,还提到了枚举类型的运用。
摘要由CSDN通过智能技术生成

结构体变量

初始化

自定义初始化

struct pstu{
    int id;
    char name[20];
}stu[2]={1001,"mike",1002,"john"};

输入初始化

#include<stdio.h>
struct pstu{
    int id;
    char name[20];
}stu[10];
int main()
{
    int i;
    for(i=0;i<10;i++){
        scanf("%d,%s",&stu[i].id,&stu[i].name);
    }

指针

指针

  • 结构体变量的指针就是结构体变量起始元素的地址
  • 如果把一个结构体变量的起始元素的地址赋给某个指针,则这个指针指向结构体变量
  • 指针变量的类型必须与结构体变量的类型相同

使用指针指向结构体变量中的元素

  • 使用指针指向结构变量,一定要给结构变量命名Stu
  • 在定义指针时,要用结构变量名定义
  • 若为数组结构变量,则不需要取地址:p=stu
  • 若不是数组结构变量,则需要取地址:p=&stu
struct Stu{
	int id;
	char name[40];
	int score[2];
}stu[2]={1,"mike",89,96,4,"jane",98,99};
int main()
{
	struct Stu *p;
	p=stu;
	for(;p<stu+2;p++){
		printf("%d\n",p->score[1]);
	}
	
	return 0;
}

指向结构体变量的元素

用结构体变量名

struct pstu{
    int id;
    char name[20];
}stu[10];
struct stu[2].id;

用指针

  • 两种方式:->或.
  • 注意:.的优先级小于*
struct pstu{
    int id;
    char name[20];
}stu;
struct pstu *p;
p=&stu;
p->id;
p.name;
  • 用指针遍历数组结构变量输出时,需要加括号
for(p=stu;p<stu+n;p++){
	printf("%d",*(p+i));
}

结构体变量与函数

做参数

struct pstu{
    int id;
    char name[20];
}stu[10];

void sort(struct pstu stu[]);
  • 调用函数:
sort(stu);

共用体类型

  • 同一段内存单位存放不同的变量
  • 后一个数据覆盖前一个数据,这几个不同类型的数据共享同一段内存结构(结构体是连续的存储
union ID{
	int stuid;
	int teacherid;
}peo[10];
  • 应用场景:二选一的数据
    -若为学生则输入学号,若为教师则输入工号

  • 与结构体的比较:结构体变量所占的内存长度是各个成员所占内存之和,共用体是最长成员变量的内存占有

引用共用体变量

  • 不可以用共用体变量,必须用具体成员
union ID{
	int stuid;
	int teacherid;
}peo[10];
printf("%d",peo[2].stuid);

枚举类型

  • 变量若有范围内的具体值,则一一列举出来
enum weekday{1,2,3,4,5,6,7};
weekday=1;//只能等于范围内的内容,且必须是常量
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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