字符串之strncat

STRNCAT:重写strncat()


#include <stdio.h>
#include <string.h>

int main()
{
  char str[23];
  memset(str,0,sizeof(str));

  strcpy(str,"ssc_");
  printf("str=%s \n",str);
  STRCAT(str,"zcys");
  printf("str_cat=%s \n",str);
  STRNCAT(str,":kobe",8);
  printf("str_ncat_1=%s \n",str);
  STRNCAT(str,"_bryanthhh",7);
  printf("str_ncat_2=%s \n",str);

  return 0;
)
char *STRNCAT(char* dest, const char* src, size_t n);
char *STRNCAT(char* dest, const char* src, size_t n)
{
  int len=0;
  
  //计算应该追加多少字符
  if(strlen(src)>n) len=n;
  else len=strlen(src);

  int i=0;
  int dest_len=strlen(dest);

  for(i=0;i<len;i++)
  {
    dest[dest_len+i]=src[i];         //每次循环,dest_len的值不变
    
    /*  错误写法  */
    //printf("stelen=%d,strlen+i=%d\n",strlen(dest),strlen(dest)+i);
    //dest[strlen(dest)+i]=src[i];//不能用strlen,strlen(dest)这个值在变化
  }

  dest[dest_len+i]=0;
  
  /*  错误写法  */
  //dest[strlen(dest)+i]=0;

  return dest;
}

输出:
正确输出


错误代码:
错误代码
错误输出:
错误输出
错误输出是因为:如果使用strlen(dest),每次循环后strlen(dest)都会改变。但其实在第二次循环,i=1时,因为此时strlen(dest)已经比i=0时增加了1,而i也增加了1,所以strlen(dest)+i就增加了2(程序中的值为10,所以是将src[1]的值k赋给了dest[10]),跳过了dest[9]的赋值,而dest[9]=0,所以输出截至到dest[9]就结束了。第二次是恰巧给dest[9]赋值“_”,然后又跳过dest[14],所以之后的赋值还是无效。
错误原因
可以使用gdb进行调试,b-打断点(在for循环处),r-运行程序,s-进入函数(for循环),n-单步调试。


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