c语言,数组和字符串

1. “数组名代表了数组的存储首地址,是一个地址常量”。

 

对于char *p1 = "A String."; 

和 

char p2[] = "Another String."; 

这两种写法的不同:

 

p1指向的这个字符串是个常量, 不可改变, 程序在编译期间就为"A String."这个字符串分配了固定的空间, 它被存储在全局静态区中.

 

而p2是个变量, 其内容可以被更新和改变, 同时p2可以理解为一个不可改变其指向位置的指针, 即char * const p2, 它所占用的内存在程序运行时被自动分配和释放, 而p1占用的内存要等到整个程序结束时才被释放.

 

TEST:
#include <stdio.h>
int g; // 存储在全局静态区
int main()
{
char* p1 = "haha"; // 和g一样存储在全局静态区
char p2[] = "haha"; // 堆栈中
printf("%x %x %x", &g, p1, p2);
}
你可以看出p1和g的位置距离很近, 而和p2相隔很远, 可以看出他们的确是被存储在不同的内存空间中的, 而且p1所指向的内容是常量, 不能改变, 不信你试试:
char* p = "This is the penalty!";

*p = 't';//段错误

  

所以声明指向常量字符串的指针时最好这样:

const char* p = "...";

 

另外任何出现在程序中以" "括起的内容如果不是被存储在变量中那么它就是常量, 和上面的p1指向的类型相同, 比如:

printf("abc %d", 1);

其中的"abc %d"也是常量;

 

2、运行char a[] = ”abc”后,内存会开辟几块内存,这此内存共占多少个字节?

 答:

开辟1块内存。完毕后空间和数据都释放。

a是地址常量不能改,而其中的内容可以改

char a[4]="str";

char b[4]="str";

printf("\n a=%d,b=%d\n",a,b);//a=-1080595620,b=-1080595624

 

 

3、运行char *p = ”abc”后,内存会开辟几块内存,这此内存共占多少个字节?

 答:开辟两块内存,栈空间中存放的是指针变量p占4个字节,字符常量区存放的字符串"abc"占4个字节。

转载于:https://www.cnblogs.com/mylinux/p/4667723.html

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