读书笔记(C++ Primer 6.2.4数组形参)

本文深入探讨C++中数组的特殊性质,包括数组不能直接拷贝的原因,数组作为函数参数时如何转换为指针,以及数组引用的使用方法。通过具体示例,解析了一维和二维数组在函数调用中的行为差异。

感觉这一小节有三点是我之前一直不太清楚的,或者是不曾注意的

1、不允许拷贝数组(之前没注意这个知识点),这个特性直接导致了第二点(数组传参会转换成指针)

2、为函数传递一个数组是,实际上传递的是指向数组的首元素的指针

3、数组引用参数 void print(int (&arr)[10]);

 

1、针对第一点比较简单,例如下面写法是不会被编译通过的

	int a[] = { 0, 1, 2 };
	int a2[] = a;

2、由于函数实参传递是通过拷贝实现的,所以只能拷贝数组首元素的指针如果形参是传递的是int arr[m] 那么形参会被转换为int * 如果传递的是char arr[m] 形参会被转换为char *

因为C++中的二维数组实际上是一维数组,只不过这个一维数组中的元素是保存了另一个一维数组的首地址,比如int arr[m][n],实际上是一个m长度的一维数组,里面存储的元素是n个长度的整形数组指针,所以结合前面的只是如果传递的是二维数组,那么形参会被转换为n个长度的整形数组的指针:int (*arr)[n](注,之前我的理解是二维指针做参数时候,被转换为二级指针,今天通过读书发现我之前的理解是错误的),为了验证这些问题的正确性可以通过编译器中实验

void myfun1(int *arr)
{
	int a = 1;
}

void myfun2(int arr[4])
{
	int a = 1;
}

void myfun3(char arr[4][10])
{
	int a = 1;
}

void myfun4(char **arr)
{
	int a = 1;
}

void myfun5(char arr[][9])
{
	int a = 1;
}

void myfun6(char arr[][10])
{
	int a = 1;
}

int main(int argc, char *argv[])
{
	int arrInt[10];

	// 正确
	myfun1(arrInt);

	// 正确:因为是转化为首元素的指针,所以形参中声明的长度并不影响
	myfun2(arrInt);

	char arrChar[10][10];
	// 由于转换为首元素的指针,首元素指针为10个char数组长度的指针
	myfun3(arrChar);

	// 错误:和myfun3对立面
	myfun4(arrChar);

	// 错误:和myfun3对立面
	myfun5(arrChar);

	// 由于转换为首元素的指针,首元素指针为10个char数组长度的指针
	myfun6(arrChar);

	return 0;
}

 

void myfun7(char (&arr)[10])
{
	int a = 1;
}

char arrChar[10];
// 正确:函数参数为大小为10的字符型数组的引用
myfun7(arrChar);

char arrChar1[9];
// 错误
myfun7(arrChar1);

 

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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