C++数组

本文详细介绍了C++中的数组,包括一维、二维和三维数组的创建、访问、地址和在函数中的应用。强调了数组作为C++编程核心的重要性,并提供了数组性质的数学表达式。
摘要由CSDN通过智能技术生成

数组作为C++编程的核心,可以说几乎100%的程序都要用到数组

数组其实就是用一段连续的内存空间来存储某一类元素的集合

它的特点是便于访问

1.1一维数组

一维数组Array在内存中的形式Size≥1

  Address:     0x0F

  Name:         Array[0]

 

0x13

Array[1]

 

0x17 

Array[2]

......

......

0x......

Array[Size-1]

1.1.1一维数组的创建

通用形式

栈中创建TYPE Name[Size];

堆中创建TYPE *P_Array = new TYPE[Size];

TYPE 存储元素类型

Name 数组名

Size数组元素个数 Size∈N+

P_Array指针名

例:

int Array[10];//创建一个具有10个int元素的数组
char Array[5];//创建一个具有5个char元素的数组
WINCLASS Array[2];//创建一个具有2个元素都是WINCLASS对象的数组
double Array[3] = {1.1,1.2};//创建一个具有3个浮点型变量的数组并初始化赋值为1.1,1.2,0.0
float Array[] = {1.1f,1.2f,1.3f};//创建具有存储3个单精度浮点型变量的数组并分别赋值
int *P_Array = new int[10];//在堆中创建一个具有10个int型元素的数组
WINCLASS *P_Array = new WINCLASS[3];//在堆中创建一个存储3个WINCLASS对象的数组
WINCLASS** P_Array = new WINCLASS*[3];//在堆中创建一个能够存储3个WINCLASS对象地址的数组
delete []P_Array;//释放在堆中申请的内存空间

可以把一维数组看做是一个家庭然后对每个家里的人员进行编号,每一个人员就是数组的中的元素。

1.1.2一维数组的访问

int Demo[5];//创建数组方法1
int *Demo = new int[5];//创建数组方法2
CLASS My_struct 
{
public:
int x;//成员变量x
int y;//成员变量y
};//创建结构体My_struct

My_struct T[3];//创建结构体数组

Demo[1] = 100;//将数组中的第2个变量赋值为100
Demo[4] = 500;//将数组中的第5个变量赋值为500
Demo[0] = 99;//将数组中的第1个变量赋值为99
T[1].x = 1000;//为对象T[1]中的x成员赋值1000;
*(Demo + 4) = 400;//指针法赋值Demo数组中的第5个变量
*Demo = 88;//指针法赋值Demo数组中的第一个变量
cout<<(*(T + 1)).y<<endl;//输出T[1].y的值

1.1.3一维数组的地址

以一维数组A[Size]

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