- 博客(7)
- 收藏
- 关注
原创 传值调用与传址调用的运行时间区别
此处可以看到,在传址调用时,程序会在内存中重新开辟一块新内存来保存传递过来这个结构体,因此,每调用一次这个传址调用的程序,都会新生成一个结构体,而我们写的这个结构体,一共占用140000个字节,所以程序运行速度较慢。可以看到,传递的仅仅是一个地址,而在64位机器上,一个地址只占用8个字节,因此运行时间较短,哪怕迭代十万次,也仅仅只用了4毫秒,很多机器正是为了保证速度,才使用C语言进行编程,因此这节约的时间非常关键。讲到这里,或许有人会说,传递地址的话,会不会产生风险,比如我传过去的值被修改了。
2023-08-28 20:04:37
156
原创 matplotlib.pyplot中的折线图与画图方法详解
这样,当我们调用该函数时,不用输入matplotlib.pyplot....,而是直接用plt.....代替,以下内容将均使用plt进行调用函数处理。直接画图,会出现两种不同颜色的线,但是我们需要对这个图形添加图例 ,在调用plt.plot()函数时,需要传入标签。接下来我们设置X轴的刻度和添加刻度信息,首先我们需要设置字体,导入matplotlib库中的字体管理库。但是若要添加其他地方的温度数据,或者画多条数据,则需要调用多次plt.plot()函数。调用plt.xticks(),并传入相关的参数。
2023-08-23 18:56:02
198
原创 机器学习基础之反向传播(Back Propagation)原理简述
这样,在每次迭代中,网络的参数都会根据损失函数的梯度进行微调,逐渐朝着损失函数最小化的方向更新,从而提高网络的性能。反向传播(Back Propagation)是一种用于训练神经网络的算法,通过计算神经网络的参数对损失函数的梯度(偏导数),然后通过反向传播,以更新神经网络的权重和偏差,以最小化损失函数,提高神经网络的性能。梯度下降法的基本思想是先随机初始化参数,然后计算当前参数下的损失函数梯度,并沿着梯度的反方向以一定的步长(学习率)更新参数。这个过程在模型训练过程中不断重复,直到达到停止条件。
2023-08-14 17:16:10
623
原创 机器学习基础之前向传播(Forward Propagation)原理简述
2、神经网络层:神经网络(Neural Network)通常由多个层组成,包括输入层,隐藏层和输出层,每一层都包含多个神经元(Neuron),神经元通过连接权重和偏置与上一层神经元和下一层神经元进行交互。机器学习的前向传播是从输入层到输出层的一系列计算过程,通过多个层的神经元和激活函数的作用,将输入数据逐步转化为输出结果。3、权重(Wight)和偏差(Bias):神经网络中每相邻两层的神经元相互之间的每个连接,都有一个权重和偏差,这些权重和偏差是模型最重要的参数,可以用来调整一个模型的行为。
2023-08-10 20:20:01
335
原创 计算机中数据的存储方式与大小端原理与判定
大端(存储)模式,是指数据的高位字节保存在内存的低位地址中,数据的低位字节保存再在高位地址中,例如一个整数0X11223344,在内存中的的保存顺序则为11 22 33 44;小端(存储)模式,是指数据的低位字节保存在内存的低位地址中,数据的高位字节保存再在高位地址中,例如一个整数0X11223344,在内存中的的保存顺序则为44 33 22 11;
2023-07-27 10:20:47
283
原创 三子棋(五子棋)C语言代码设计及其实现
以上就是本人在三子棋编程过程中部分代码展示及解释,该代码为开源,自己也是参考了他人的写法才写出来的,现存的问题,就是电脑下棋为随机落子,如非故意设计,电脑其实很难赢,但是考虑到这只是本人在学习编程过程中的练习,估计以后也不会去进行优化设计了。玩家下棋时,需判断该位置是否被占用,或者所输入的位置,是否超过棋盘大小,由于玩家输入的时实际的位置,以第一行第一列开始,而C语言中数组下标是0开始的,因此行列的对应为:玩家输入 - 1 = 数组下标,将该位置所对应的数组置为'*',跳出循环,第三种判断,捺方向。
2023-07-07 21:00:51
381
原创 多年以来我的C语言学习心得
现在我要重新进入学习,不仅仅是C语言,不仅仅是嵌入式,更不仅仅是我个人的代码,我想要尽量把代码分享出来,增强编程能力不仅仅是让自己的代码更高效,让他人能看懂自己写的代码,也是一种能力,多写让别人看得懂的代码,增加注释。很多同学的C语言课后作业,都是出自我手,那个时候不理解,也不明白C语言有什么用,但是就是觉得挺有意思。那个时候,也不管什么注释,自己看得懂就行,更不懂分享,因为我认为和人分享很浪费时间,现在回想起来,那时候的自己挺固执的,而且很多东西都是一知半解就开始。
2023-06-09 18:45:40
59
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人