C语言中实现动态分配二维数组

 

转自:http://dev.csdn.net/author/Creaman/da35d4c0b9f1465cb31c8f33ec7c31d2.html

在C语言中动态的一维数组是通过malloc动态分配空间来实现的,动态的二维数组也可以通过malloc动态分配空间来实现。
实际上,C语言中没有二维数组,至少对二维数组没有直接的支持,取而代之的是“数组的数组”,二维数组可以看成是由指向数组的指针构成的数组。对于一个二维数组p[i][j],编译器通过公式*(*(p+i)+j)求出数组元素的值:
1 p+i 计算行指针。
2 *(P+i) 具体的行,是一个指针,指向该行首元素地址。
3 *(P+i)+j 得到具体元素的地址。
4 *(*(p+i)+j) 得到元素的值。

基于上述原理,我们可以通过分配一个指针数组,再对指针数组的每一个元素分配空间实现动态分配二维数组。

实现
下面是本人写的一个动态分配二维数组的实现,适用于任何类型的二维数组,可以直接使用。

类型定义和错误代码

 

ContractedBlock.gif ExpandedBlockStart.gif 代码
 
   
typedef unsigned char MK_Byte;
#define SUCCESS 0 /*No error*/
#define MFAILED 1 /*General failure*/
#define MNOMEMORY 2 /*Out of memory*/

 

 

 

声明

 

ContractedBlock.gif ExpandedBlockStart.gif 代码
 
   
// 确保初始化
#define DeclareTwoDArray(ATYPE, iname) ATYPE ** iname = NULL
// 定义自己的malloc和free,确保内存正确操作
#define MKMALLOC(nsize) malloc(nsize)
#define MKFREE(name) \
if (NULL != name)\
free(name);\
name
= NULL

 

 

 

实现

 

ContractedBlock.gif ExpandedBlockStart.gif 代码
 
   
int MKCreatArray( int nsize, int X, int Y, void *** parray)
{
void ** tdarray = NULL;
MK_Byte
* tmparray = NULL;
int i = 0 ;

* parray = NULL;
// 分配指针数组
if ( ! (tdarray = ( void ** )MKMALLOC( sizeof (MK_Byte * ) * Y))) {
return MNOMEMORY;
}
// 分配实际数组空间
if ( ! (tmparray = (MK_Byte * )MKMALLOC(nsize * (X * Y)))) {
MKFREE(tdarray);
return MNOMEMORY;
}

// 初始化内存
memset(tmparray, 0x00 , nsize * (X * Y));

// 指针数组赋值
for (i = 0 ; i < Y; i ++ )
tdarray[i]
= (tmparray + (i * X) * nsize);

* parray = tdarray;
return SUCCESS;
}
void MKFreeArray( void *** parray)
{
if ( * parray) {
MKFREE((
* parray)[ 0 ]);
MKFREE((
* parray));
}
}

 

 

 

使用

 

ContractedBlock.gif ExpandedBlockStart.gif 代码
 
   
void testTwoDArray()
{
// 声明数组
DeclareTwoDArray( int , a);
DeclareTwoDArray(
float ,b);
// 创建整型数组
MKCreatArray( sizeof ( int ), 3 , 2 , & a);
a[
1 ][ 2 ] = 10 ;
a[
0 ][ 1 ] = 23 ;
printf(
" %d,%d\n " ,a[ 1 ][ 2 ],a[ 0 ][ 1 ]);
// 使用完一定要FREE
MKFreeArray( & a);

// 重新分配数组
MKCreatArray( sizeof ( int ), 6 , 6 , & a);
a[
5 ][ 5 ] = 234 ;
a[
4 ][ 0 ] = 567 ;
printf(
" %d,%d\n " ,a[ 5 ][ 5 ],a[ 4 ][ 0 ]);
MKFreeArray(
& a);

// 创建浮点数组
MKCreatArray( sizeof ( float ), 2 , 2 , & b);
b[
0 ][ 0 ] = 0.5f ;
b[
1 ][ 1 ] = 0.006f ;
printf(
" %g,%g\n " ,b[ 0 ][ 0 ],b[ 1 ][ 1 ]);
MKFreeArray(
& b);
}

 

 

 

转载于:https://www.cnblogs.com/psjay/archive/2010/03/21/1690745.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