UNIX环境编程学习笔记(16)——进程管理之进程环境变量

1 环境表和环境指针

在每个进程启动时,都会接到一张环境表。环境表是一个字符指针数组,其中每个指针包含一个以 null 结束的 C 字符串的地址。全局变量environ 则包含了该指针数组的地址,

extern char **environ;

例如,图 1 显示了包含有 5 个环境字符串的环境表,

图 1: 含有 5 个环境字符串的环境表

2 环境变量

环境字符串的形式通常为,name=value。

ISO C 定义了一个函数 getenv,用于获取环境变量值。

#include <stdlib.h>

char *getenv(const char *name);

返回值:指向与name关联的value的指针,若为找到则返回NULL

POSIX.1 定义了两个函数 putenv 和 setenv,用于设置环境变量,

#include <stdlib.h>

int putenv(char *str);

返回值:若成功则返回0,若出错则返回非0值

putenv 的参数是形式为 name=value 的字符串的指针,将参数放到环境表中。如果 name 已经存在,则先删除其原有的定义。

#include <stdlib.h>

int setenv(const char *name, const char *value, int rewrite);

返回值:若成功则返回0,若出错则返回-1

setenv 函数将环境变量 name 的值设置为 value。如果环境表中 name 已存在,那么

• 若 rewrite 为非 0 值,则首先删除其现有定义。

• 若 rewrite 为 0,则不删除其现有定义,name 不设置为新的 value,也不出错。

另外提供了 unsetenv 函数用于删除环境变量,

#include <stdlib.h>

int unsetenv(const char *name);

返回值:若成功则返回0,若出错则返回-1

unsetenv 函数删除 name 的定义,即使不存在环境变量 name 也不出错。

例子:

复制代码
#include <stdio.h>
#include <stdlib.h>
int
main(void)
{
    char *envVal;
    char *myenv;
    if ((envVal = getenv("PATH")) == NULL) {
        printf("not environment variable PATH\n");
    } else {
        printf("PATH=%s\n", envVal);
    }
    if (setenv("myenv", "li enhua", 0) == -1) {
        printf("setenv error\n");
     } else {
        myenv = getenv("myenv");
        printf("myenv=%s\n", myenv);
    }
    if (putenv("myenv1=haha") != 0) {
         printf("putenv error\n");
    } else {
         myenv = getenv("myenv1");
         printf("myenv1=%s\n", myenv);
    }
    exit(0);
}
复制代码

编译该程序,生成文件 envdemo,然后运行该文件,

lienhua34:demo$ gcc -o envdemo envdemo.c
lienhua34:demo$ ./envdemo
PATH=/usr/local/texlive/2013/bin/i386-linux:/usr/local/texlive/2013/bin/i386-linux:/
myenv=li enhua
myenv1=haha

(done)

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