ZY---C语言数组与字符串

 

数组就是是用来存储一组数据的

数组的特点

只能存放一种类型的数据,比如int类型的数组、float类型的数组 里面存放的数据称为“元素”

数组的定义

定义 声明数组的类型 声明数组的元素个数(需要多少存储空间)

格式 元素类型 数组名[元素个数]; 比如:int ages[3];

简单使用

简单初始化:int ages[5] = {19, 19, 20, 21, 25};

元素有顺序之分,每个元素都有一个唯一的下标(索引),从0开始

数组元素的访问:a[i] 初始化

初始化方式

int a[3] = {10, 9, 6};

int a[3] = {10,9};

int a[] = {11, 7, 6};

int a[4] = {[1]=11,[0] = 7};

常见错误

int a[];

int[4] a;

int a[b];

a = {10, 11};

a[4] = {10,9,8,5}; 

如果想再定义数组的同时进行初始化,数组元素个数必须是常量,或者不写  

 // 错误写法:int ages[count] = {10, 11, 12};  

只能在定义数组的同时进行初始化     

// 错误写法     int ages[5];     ages = {10, 11, 12, 14};、

 

内存分析

数组存储空间的大小

存储空间的划分(内存的分配是从高地址到低地址进行的,但一个数组内部元素又是从低到高进行的)

数组名的作用,查看元素地址 数组越界的注意 ,下标从0开始

其他使用

数组与函数参数

数组作为函数参数,可以省略元素个数 数组作为函数参数,传递是整个数组的地址,修改函数形参数组元素的值,会影响到外面的实参数组 数组当做函数参数传递时,会当做指针变量来使用,指针变量在64bit编译器环境下,占据8个字节

遍历数组元素 两种方式遍历(while循环和for循环)

遍历元素值和元素地址 字符数组的使用 二维数组 一个数组能表示一个班人的年龄,如果想表示很多班呢? 什么是二维数组?int ages[3][10]; 三个班,每个班10个人 相当于3行10列 相当于装着3个一维数组

二维数组是一个特殊的一维数组:它的元素是一维数组。例如int a[2][3]可以看作由一维数组a[0]和一维数组a[1]组成,这两个一维数组都包含了3个int类型的元素 初始化 int a[3][4] = {1,2,3,4,5,6}; int a[3][4] = {{},{},{}};

数组元素简单访问 int a[][5] = {3,21,31,2,32,1};

注意错误: int a[3][4]; a[3] = {};

字符串 什么是字符串 简单的字符串”hello”,一个’h’是一个字符,很多个字符组合在一起就是字符串了

字符串的初始化 char a[] = “123”; 

和 char a [] = {‘1’,’2’,’3’};的区别,可以比较大小 “123”其实是由’1’、’2’、’3’、’\0’组成 “123”的存储分布 字符串的输出”%s”,’\0’是不会输出的

 \0的作用  1.字符串结束的标记  2.printf("%s", name2);   会从name2这个地址开始输出字符,直到遇到\0为止 常用字符串处理函数 strlen函数:计算字符串长度  1.计算的是字符数,并不是字数。一个汉字算作3个字符  2.计算的字符不包括\0  3.从某个地址开始数字符的个数,直到遇到\0为止

字符串数组

1.使用场合

* 一维字符数组中存放一个字符串,比如一个名字char name[20] = "mj" *

如果要存储多个字符串,比如一个班所有学生的名字,则需要二维字符数组,char names[15][20]可以存放15个学生的姓名(假设姓名不超过20字符) * 如果要存储两个班的学生姓名,那么可以用三维字符数组char names[2][15][20] 2.初始化 char names[2][10] = { {'J','a','y','\0'}, {'J','i','m','\0'} };   char names2[2][10] = { {"Jay"}, {"Jim"} };   char names3[2][10] = {"Jay", "Jim" };

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