关于total+=*start++的一点理解

在看C语言编程的一些书籍的时候,总会遇到这样的一行类似的代码:total+=*start++,其实这句话是两行代码的分解,也就是说其实是这样的:

                   total+=*start;

                   start++;

也就是说,代码的执行流程是这样的,即先通过解引用得到start指针所指向的值,然后再将start指针自增。

一元运算符*和++具有相同的优先级,但它在结合时是从右向左进行的。这就意味着++应用于start,而不是应用于*start。也就是说,是指针自增1,而不是指针所指向额数据自增1。后缀形式(即start++,而不是++start)表示先把指针指向的数据加到total上,然后指针自增1.如果程序使用*++start,则顺序变为指针先自增1,然后再使用其指向的值。然而如果程序使用(*start)++,那么会使用start所指向的数据,然后再使数据自增1,而不是使指针自增1.这样,指针所指向的地址不变,但其中的元素却变成了一个新的数据。

下面是代码示例:

 

torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torch.nn.parallel import DataParallel from torch.optim.lr_scheduler import CosineAnnealingLR def train_model(model, train_loader, val_loader, num_epochs=50, device_ids=[0,1,2,3]): device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") model = DataParallel(model, device_ids=device_ids).to(device) criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) scheduler = CosineAnnealingLR(optimizer, T_max=num_epochs) best_acc = 0.0 for epoch in range(num_epochs): model.train() running_loss = 0.0 for inputs, labels in train_loader: inputs, labels = inputs.to(device), labels.to(device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() scheduler.step() # Validation model.eval() correct = 0 total = 0 with torch.no_grad(): for inputs, labels in val_loader: inputs, labels = inputs.to(device), labels.to(device) outputs = model(inputs) _, predicted = torch.max(outputs.data, 1) total += labels.size(0) correct += (predicted == labels).sum().item() val_acc = 100 * correct / total print(f'Epoch {epoch+1}/{num_epochs}, Loss: {running_loss/len(train_loader):.4f}, Val Acc: {val_acc:.2f}%') if val_acc > best_acc: best_acc = val_acc torch.save(model.module.state_dict(), 'best_model.pth') print(f'Training complete. Best Val Acc: {best_acc:.2f}%')输出结果
最新发布
07-19
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