C++引用


引用是某个对象(即变量)的别名,即某个对象的替代名称(相当于一个人的第二名称),引用由符号&引导定义

类型 &引用名=变量名

例如:

    int i = 9

    int &ir = i


简单的例子:

#include <iostream.h>

int main(){
    int i = 9;
    int& ir = i;
    cout<<"i= "<<i<<"  "<<"ir= "<<ir<<endl;
    ir = 20;
    cout<<"i= "<<i<<"  "<<"ir= "<<ir<<endl;
    i = 12;
    cout<<"i= "<<i<<"  "<<"ir= "<<ir<<endl;

    cout<<"i的地址是: "<<&i<<endl;
    cout<<"ir的地址是: "<<&ir<<endl;
    return 0;
}

输出:

i= 9  ir= 9
i= 20  ir= 20
i= 12  ir= 12
i的地址是: 0xffae1b58
ir的地址是: 0xffae1b58

从结果可以看出,ir和i其实是统一内存变量,对ir的实际操作就是对i的操作。

使用引用时需要注意以下几个问题:

1、在定义引用时,引用符&与指针运算符一样,在类型和引用名之间的位置是灵活的

    int& ir=i;    int & ir = i;    int &ir=i;

    这几种定义完全一样。

2、在变量声明时出现的&才是用用运算符(包括函数参数声明和函数返回类型的声明),其他地方出现的&都是地址操作符

3、引用必须在定义时初始化,不能在定义完成后再给它赋值,为引用提供的初始化之,可以是一个变量,也可以是另一个引用名:同一个变量可以定义多个引用。

4、引用实际是一种隐式指针,但它与指针的用法存在区别

    引用实质上也是一种指针,但它与指针至少存在两点区别:

    a、指针必须通过解引用运算符“*”才能访问它所指向的内存单元,而引用不需要通过“*”就能够访问它所代表的内存单元,与普通变量的访问方法差不多;

    b、指针是一个变量,可以对它重新赋值,让它指向另外的地址,但引用必须在定义时进行初始化,并且一经定义就再也不能作为其他变量的引用了

5、当用&运算符获取一个引用的地址时,实际去除的是引用对应的变量的地址

例如:int i = 9;

        int &ir = i;

        int *pi = &ir;

6、建立引用时,需要注意以下3个限制,不能建立引用的引用;不能建立引用数组,也不能建立数组的引用;可以建立指针的一弄,但不能创建指向引用的指针

例如:

    int i = 0,a[10];

    int &aa = a;    //错误,aa是数组的引用

    int &ia[5];        //错误,ia是引用数组

7、引用与左值。对于每个变量,都有两个与它相关联的值:左值和右值。左值是指变量对于的那块内存区域的地址,是可以“放在赋值符号左边的值”;右值是指变量对应的内存区域中存储的数据值,是可以“放在赋值符号右边的值”。引用是一个左值。

参考书籍《C++面向对象程序设计》第2版 杜茂康等


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