指针

数组与指针

数组与指针的区别与联系

一、概念

数组:数组是用于储存多个相同类型的数据的集合。
指针:指针相当于一个变量,但是它和不同变量不同,它存放的是其他变量在内存中的地址。

二、复制、储存方式、求sizeof、初始化等

1.赋值

同类型指针变量可以相互赋值,数组不行,只能一个一个元素的赋值

2.储存方式

数组

数组在内存中是连续存放的,开辟一块连续的内存空间。数组是根据数组的下标进行访问的,多维数组在内存中是按照一维数组储存的,只是在逻辑上是多维的。
数组的储存空间不是在静态区就是在栈上。

指针

指针可以指向任意类型数据,指针的类型说明他所指向地址空间的内存中储存数据的类型
由于指针本身就是变量,他储存的也是变量,所以它的储存空间不确定。

3.求sizeof

数组

数组所占储存空间的内存:sizeof(数组名)
数组的大小:sizeof(数组名)/sizeof(数据类型)

指针

在32位平台下,无论指针的类型是什么,sizeof(指针名)都是4,在64位平台下,无论指针的类型是什么,sizeof(指针名)都是8。

链接: 关于指针和数组求sizeof

4.初始化

数组

1char a[]={
   "Hello"};//按字符串初始化,大小为6.2char b[]={
   'H','e','l','l'};//按字符初始化(错误,输出时将会乱码,没有结束符)3char c[]={
   'H','e','l','l','o','\0'};//按字符初始化
这里补充一个大家的误区,就是关于数组的创建和销毁,尤其是多维数组的创建与销毁。 
(1)一维数组: 
int* arr = new int[n];//创建一维数组 
delete[] arr;//销毁 2)二维数组: 
int** arr = new int*[row];//这样相当于创建了数组有多少行 
for(int i=0;i<row;i++) 
{
    
arr[i] = new int[col];//到这里才算创建好了 
} 
//释放 
for(int i=0;i<row;i++) 
{
    
delete[] arr[i]; 
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