C语言自学(dev c++)

Windows10 C语言开发环境配置指南:从小熊猫Dev-C++到VSCode C语言作为编程入门和系统开发的核心语言,其学习的第一步是搭建合适的开发环境。编译器是将源代码转换为可执行程序的关键工具,其选择直接影响学习效率和代码行为。在Windows10平台上,集成开发环境(IDE)通过整合编辑器、编译器和调试器,为初学者提供了便捷的一站式解决方案。对于新手而言,一个配置简单、开箱即用的环境至关重要,它能将精力聚焦于语法和逻辑学习,而非环境调试。本文聚焦于**小熊猫Dev-C++**这一对新手极为友好的IDE,它内置GCC编译器,支持C11/C17标准,实现了安装即用。同时,文章也详解 阅读详情

1.switch结构:

#include <stdio.h>

main(){

        switch(表达式){

                case 常量表达式1:

                        语句1   break ;//break表示停止,即跳出循环,之后细🔒

                case 常量表达式2:

                        语句2   break;

                case 常量表达式3:

                        语句3   break;

                default:

                        语句n+1;

        }

}

        ps:与 if 语句的不同:if 语句中若判断为真则只执行这个判断后的语句,执行完就跳出 if 语句,不会执行其他 if 语句;而 switch 语句不会在执行判断为真后的语句之后跳出循环,而是继续执行后面所有 case 语句。在每一 case 语句之后增加 break 语句,使每一次执行之后均可跳出 switch 语句,从而避免输出不应有的结果。

2.while循环:

        a.while(表达式){

                语句

                }

        b.do{

                语句

                }while(表达式)

        ps:while语句是先判断条件再执行语句,do...while语句是先执行语句再判断条件。

#include <stdio.h>

main(){

        int a;

        a=1;

        while(a<=5){

                 a++;      

        }

        printf("%d",a);        

}

#include <stdio.h>

main(){

        int a;

        a=1;

        do{

                 a++;      

        }while(a<=5)

 

        printf("%d",a);

}

3.for循环:
        for(表达式1;表达式2;表达式3){

        语句;

}

运行过程:(1):先执行表达式1

                (2):再执行表达式2,如果它的值为真,则执行循环体即语句,否则结束循环

                (3):执行完循环体后再执行表达式3

                (4):重复执行步骤(2),(3)直到表达式2的值为假

#include <stdio.h>

main(){

        int a;

        for(a=0;a<=5;a++){

               printf("%d\n",a);

        } 

}

C语言入门自学路线:从环境搭建到指针调试的完整攻略 编程入门常从C语言开始,它是理解内存、指针与程序运行底层逻辑的关键。许多初学者因环境配置复杂、指针难懂、调试无门而放弃,其实掌握正确路径后,C语言比想象中简单。本文从程序运行的基本原理出发,介绍如何建立内存与变量模型,讲解VS Code与MinGW环境配置、四个月分阶段学习路线,并深入解析指针、字符串处理等核心语法,提供常见编译错误与段错误的调试技巧。通过学生成绩管理系统、趣味项目等实战演练,帮助零基础学习者跨越从语法到应用的鸿沟。内容涵盖C语言学习中最常被搜索的痛点问题,为新手提供一条可复制的从入门到精通 阅读详情

相关推荐

(nginx) nginx5 nginx https部署实战

综上所述,相比 HTTP 协议,HTTPS 协议增加了很多握手、加密解密等流程,虽然过程很复杂,但其可以保证数据传输的安全。所以在这个互联网膨胀的时代,其中隐藏着各种看不见的危机,为了保证数据的安全,维护网络稳定,建议大家多多推广HTTPS。SSL 证书费用很高,以及其在服务器上的部署、更新维护非常繁琐HTTPS 降低用户访问速度(多次握手)网站改用HTTPS 以后,由HTTP 跳转到 HTTPS 的方式增加了用户访问耗时(多数网站采用302跳转)

weixin_50382197的博客 1505

Dev-C++的下载和安装教程(非常详细)从零基础入门到精通,看完这一篇就够了

网络安全行业产业以来,随即新增加了几十个网络安全行业岗位︰网络安全专家、网络安全分析师、安全咨询师、网络安全工程师、安全架构师、安全运维工程师、渗透工程师、信息安全管理员、数据安全工程师、网络安全运营工程师、网络安全应急响应工程师、数据鉴定师、网络安全产品经理、网络安全服务工程师、网络安全培训师、网络安全审计员、威胁情报分析工程师、灾难恢复专业人员、实战攻防专业人员…网上虽然也有很多的学习资源,但基本上都残缺不全的,这是我自己录的网安视频教程,上面路线图的每一个知识点,我都有配套的视频讲解。

Javachichi的博客 10万+

KUKA机器人自动回原点程序

创建两个全局变量分别用于储存机器人的笛卡尔姿态与关节角姿态。打开System文件夹中的config文件创建全局变量的点位。在USER GROBALS用户自定义变量Userdefined variables下创建一个E6POS类型的点位,一个E6AXIS类型的点位。

A567852的博客 5212

C++语法3——if switch break continue的定义及用法

判断(分支)语句

weixin_61017400的博客 1882

电商订单系统设计简析(一)

电商所有模块中,订单系统作为最为核心的模块,决定了整个流程能不能顺畅的执行,起着承上启下的作用。相信很多PM都不陌生,到了一家电商公司,总会觉得公司现有的流程有不少问题,因为问题来自四面八方,一下子摸不着到底是哪里出了问题,PM就跟补丁师傅一样,遇到一个补一个。其实很多日常开发和测试提得需求都是表面需求,而这些表面上呈现出的各种问题,都是源自于流程上的不完整或者流程上某个环节上的缺失导致的。订单系...

野蛮非先生的博客 9553

运维面试常见问题

对数据库表中一列或多列的值进行排序的一种结构,使用索引可快速访问数据库表中的特定信息。优缺点:优点:利用索引可以加速对数据的检索,索引是可以唯一的,创建索引允许指定单个列或者多个列缺点:减慢了数据录入速度,同时也增加了数据库的尺寸大小。

asdmjy123的博客 1373

switch 一些简单用法~~

使用switch语句直接处理多个分支(当然包括两个分支).其一般形式为:switch(表达式){ case 常量表达式1:语句1;break;case 常量表达式2:语句2;break; ……case 常量表达式n:语句n;break; default:语句n+1;break;}switch语句的执行流程是:首先计算switch后面圆括号中表达式的值,然后用此值依次与各个cas

zhhkheaven的专栏 764

芯片详解——AD7606

AD7606详解

weixin_45661757的博客 5021

C++教程其一——基本代码

C++教程其一——输入输出1、C++是什么2、C++模板(入门)2.1、头文件2.2、命名空间2.3、主函数2.4、总览3、输入输出4、习题5、回家作业 1、C++是什么 2、C++模板(入门) 2.1、头文件 2.2、命名空间 2.3、主函数 2.4、总览 3、输入输出 4、习题 5、回家作业 ...

addddddejason的博客 1485

修复 Outlook 中缺少的 Microsoft Teams 插件

在 Outlook 中缺少 Microsoft Teams 插件可能会限制您在邮件客户端中直接访问 Microsoft Teams 的功能。在本文中,我将向您介绍一些修复缺少 Microsoft Teams 插件的方法,并提供相应的源代码。如果问题仍然存在,请确保您的 Outlook 和 Microsoft Teams 都是最新版本,并尝试在不同的计算机上进行测试。在实际使用中,请根据您的需求进行适当的修改和调整。如果前面的步骤未能解决问题,您可以尝试重新安装 Microsoft Teams 插件。

CodeWWWCode的博客 5672

基于STM32、HAL库的TPL0501数字电位器驱动程序设计

@param value 输出值(0-255)* @param hdev TPL0501句柄。* @param hdev TPL0501句柄。* @brief 获取TPL0501当前设置值。* @param hdev TPL0501句柄。* @brief 获取TPL0501当前设置值。* @brief 设置TPL0501输出值。* @brief 设置TPL0501输出值。* @return 当前值(0-255)* @brief 初始化TPL0501。* @brief 初始化TPL0501。

corlin6688的博客 1026

C语言/C++【switch语句详解(用法、规则、流程图、实例)】

C语言/C++【switch语句详解(用法、规则、流程图、实例)】

ken2232的博客 4万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C语言自学(dev c++)

(2)如果表达式1的值为逻辑真,整个表达式的值为表达式二的值;如果表达1 的值为逻辑假,整个表达式的值为表达式三的值。//a++为a增加1之后的值。//a++为a增加1前的值。表达式1通常为关系表达式或者逻辑表达式。运算规则:(1)求解表达式1。三、条件运算符和条件表达式。

bite__1的博客 205

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

从配置困境到指尖即达:小熊猫Dev-C++完整上手指南

学C++最让人崩溃的往往不是语法本身,而是正式动手之前那场没完没了的环境配置。小熊猫Dev-C++(Red Panda Dev-C++)正是冲着这个痛点来的:作为社区中广受好评的Dev-C++改良分支,它保留了轻量易用的传统,同时内置MinGW-w64 GCC编译套件——下载约50MB的安装包、走完安装向导,就能直接进入编码状态,全程不到5分钟。 ## 第一幕 先聊聊那个劝退无数人的"C++第一

gitblog_00644的博客 228

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

六年了,我还是想学编程|一个准计科生的自白

哈哈是这样的,但我不会后悔我的选择,因为我深知我很喜欢这个专业,我选它不只是为了追求多么高的薪资,更是为了不辜负持续了6年的热爱,我很热爱这个专业,我也很热爱这样自学、探索的过程。大家好,我是一名今年的高考生,9月将在郑州某211学习计算机科学与技术专业,和70%-80%的高考生不太一样,我在初中的时候尝试过自学编程,当时没有什么明确的目标,后来学习到指针便也被他的难度劝退,算是有一丢丢的编程基础吧...说来也惭愧,Java、python、c#这类热门编程语言都学过一些皮毛,但也只接触了皮毛。

aleko10124的博客 384

C语言自学-简单的记录

一、工欲善其事,必先利其器 安装C语言编译器,初学者可以先选择比较轻量级的dev c,占用空间不大,写程序什么的够用了 安装教程路径如下: https://blog.youkuaiyun.com/qq_41594445/article/details/102941354 安装好了怎么编译运行呢?dev c 很简单,如下图: 第2步最好点击Compile & run,先编译再运行 二. C语言简单例子 学习写代码都是为了解决的问题,接下来看一个例子 https://leetcode-cn.co

u010795835的博客 416

冲击秋招:菜鸟自学c语言Day1

编辑器:程序员写代码的过程编译器:查看代码的语法错误,生成汇编语言汇编器:将生成好的汇编语言,生成二进制语言(目标文件)连接器:将生成好的 二进制+用到的库+启动代码 ==>可执行文件#include <stdio.h>头文件 std标准,i输入,o输出()函数的形参:将函数外部的数据传递到内部的桥梁int》0为整数型2.案例:求圆的面积define:定义一个宏,用PI代替3.14scanf:输入类型,从键盘上获取%f类型的数据,传递给r(要有取地址符号&)输入什么格式,搬运什么格式。

2301_80779954的博客 434

C语言调试教程总结(以visual studio和Dev C++为例)_c语言怎么调试

我们已经对 Visual Studio 的调试有了一些了解,在这一节,我们将向大家展示我们在调试过程中可以使用的一些实用技巧。使大家的调试操作更加轻松愉快。首先我们再了解一下Visual Studio 中,Release构建模式和Debug 构建模式的区别。我们在可以切换构建模式。Release构建模式下构建的程序为发行版,而Debug构建模式下构建的程序为调试版。在 Visual Studio 中调试模式还会定义两个宏 _DEBUG 和 DEBUG,后文我们将介绍它们的一些妙用。

2401_84254057的博客 1344

Dev-C++全平台安装指南:从Win7到Win11的C/C++开发环境搭建

集成开发环境(IDE)是程序员编写、调试代码的核心工具,其原理在于将编辑器、编译器、调试器等组件整合,提供统一的开发界面。对于C/C++初学者而言,一个轻量、易用的IDE能显著降低学习门槛,快速验证语法和算法。Dev-C++作为一款经典的免费开源IDE,因其极低的系统资源占用和简洁的操作逻辑,在编程教学、算法竞赛及老旧设备开发等场景中持续发挥价值。本文聚焦于**Dev-C++安装包**的获取与配置,详细解析如何在**Windows 7至Windows 11**的全系列系统上安全、高效地部署这一开发环境,并涵

weixin_33767813的博客 706
上一篇: C语言自学(dev c++)
下一篇: C语言自学(dev c++)
bite__1
博客等级 码龄3年 24粉丝 8原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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