c++新鸟的升级路(一)

前言:

本新鸟已经在c++的路上奔波两年半了。大学就是水,教完面向过程和基本的类之后就不管你了,接着就是批量批量的数据结构、算法吧啦吧啦的。作为一个大二还只会黑框框看结果的骚年,我表示you enough。所以我默默地临幸了html+css+js+php,java,android,MFC,qt,python,最后还是发现qt是真爱啊。但是一个学期的实践总是向我证明c++如此骨感,硌得我XX都疼了。本着小学期看完c++基础教程(英文版,错漏无数),我勉强撑完了软工的折磨。为了防止世界被破坏,为了维护世界的和平,我,c++新鸟,趁着sysu不放假大学赐予了我神奇的30+假期,加速我的c++老鸟之路。

而写着玩意的作用,在于给陈小新小盆友一点动力,某些时候还可以用来回味下,毕竟你每次都会先do2再来写,陈小新小盆友,you enough。好吧,再玩SF剁手。

既然有的是时间,我就默默从《C++ primer plus》第六版中文版开始,毕竟某老师根本就不讲这些细节,只好重新来过了。

c++ primer plus version 6, let's go.

(我懂的我自然不多扯,我只cout那些我认为需要注意的或者根本没注意到的或者注意不到的~~~。)

比特数问题

c++的类型占多少比特一直是我觉得蛋碎的地方大哭,不过我一直记得short是16位,int、long都是32位,long long是64位,但是学Windows的时候现实告诉我too young too simple。

于是乎,我貌似找到答案了:

short至少为16位;int至少和short一样长;long至少为32位,且至少和int一样长;long long至少为64位,且至少和long一样长

16 bits <= short <= int <= long <= long long && long >= 32 bits && long long >= 64bits

而头文件<climits>中记录着这一类信息,如INT_MAX、INT_MIN、SHRT_MAX、LONG_MAX、LLONG_MAX、CHAR_BIT等。

贴代码一观

#include <iostream>
#include <climits>


using std::cout;
using std::endl;


int main()
{
    cout << "max int : " << INT_MAX << " with bytes count = " << sizeof(int) << endl;
    cout << "min int : " << INT_MIN << " with bytes count = " << sizeof(int) << endl;
    cout << "max short : " << SHRT_MAX << " with bytes count = " << sizeof(short) << endl;
    cout << "max long : " << LONG_MAX << " with bytes count = " << sizeof(long) << endl;
    cout << "max long long : " << LLONG_MAX << " with bytes count = " << sizeof(long long) << endl;
    cout << "bits count per byte : " << CHAR_BIT << endl;
    getchar();
}

Windows 7 64位上的输出是

而unsigned只是限定符,对类型的大小并没影响,只是对应表示区域有所不同

而当我们在代码

cout  << 192 << endl;

中,编译器如何为192分配空间即编译器认为192是什么类型的呢?

结果是除非显式告知存储类型或者值太大不可以存储为int,int都是default选项。

显式告知可以用后缀来实现,例如192L为long,192[uU][lL]或者192[lL][uU]为unsigned long,其他类型不一一赘述。


浮点数一向以来我都觉得比较坑,虽说只有float和double,如果不算上一般不用到的long double。

一般规则是 32bits <= float <= double <= long double && double >= 48 bits,但是一般都是float为32位,double为64位,long double为80,96或者128 ,可以在头文件<cfloat>里面找到相关定义。

是否掌握基本类型的存储并不会对你的编程产生很大的影响(对于ACM的孩纸就是坚决有影响的了),但是作为一个钟爱操作系统的孩纸,我觉得这些知识很至关重要,可以尽可能地节省空间,提高运算速度,增强程序的可移植性。


1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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