c语言结构体内存对齐

C语言——结构体内存对齐规则 C语言结构体内存对齐规则: 1. 第一个成员在与结构体变量偏移量为0的地址处。 2. 其他成员变量要对齐到某个数字(对齐数)的整数倍的地址处。 3. 结构体总大小为最大对齐数(每个成员变量都有一个对齐数)的整数倍。 4. 如果嵌套了结构体的情况,嵌套的结构体对齐到自己的最大对齐数的整数倍处,结构体的整体大小就是所有最大对齐数(含嵌套结构体的对齐数)的整数倍。 附1: 对齐数 = 编译器默认的一个对齐数 与 该成员大小的较小值。 VS中默认的值为8 接下来楼主用一些例子来帮助大家理解结构体对齐规则(注:楼.. 阅读详情

一、字节对齐的作用和原因

对齐的作用和原因 :各个硬件平台对存储空间的处理上有很大的不同。一些平台对某些特定类型的数据只能从某些特定地址开始存取。比如有些 架构 的CPU在访问一个没有进行对齐的变量的时候会发生错误,那么在这种架构下编程必须保证字节对齐,其他平台可能没有这种情况,但是最常见的是如果不按照适合其平台要求对数据存放进行对齐,会在存取效率上带来损失。比如有些平台每次读都是从偶地址开始,如果一个int型(假设为32位系统)如果存放在偶地址开始的地方,那么一个读周期就可以读出这32bit,而如果存放在奇地址开始的地方,就需要2个读周期,并对两次读出的结果的高低字节进行拼凑才能得到该32bit数据,显然在读取效率上下降很多。

二、字节对齐规则以及四个基本概念

四个重要的概念:
  1.数据类型自身的对齐值:对于char型的数据,其自身对齐值为1,对于short型为2,对于int,float,double类型,其自身对齐值为4个字节。
  2.结构体或者类的自身对齐值:其成员中自身对齐值最大的那个值。
  3.指定对齐值:#pragma pack (value)时指定的对齐value。
  4.数据成员、结构体和类的有效对齐值:自身对齐值和指定对齐值中小的那个值。

补充:

1).每个成员分别按自己的方式对齐,并能最小化长度。
 2).复杂类型(如结构)的默认对齐方式是它最长的成员的对齐方式,这样在成员是复杂类型时,可以最小化长度。
 3).对齐后的长度必须是成员中最大的对齐参数的整数倍,这样在处理数组时可以保证每一项都边界对齐。

[c-sharp]  view plain  copy
  1. #pragma pack(1)  
  2. struct test  
  3. {  
  4. static int a; //static var  
  5. double m4;  
  6. char m1;  
  7. int m3;  
  8. }  
  9. #pragma pack()  
  10. //sizeof(test)=13;  
  11.   
  12. Class test1{ };  
  13. //sizeof(test1)=1;  
  14.   
  15. /* 注明: 
  16. 1、结构或者类中的静态成员不对结构或者类的大小产生影响,因为静态变量的存储位置与结构或者类的实例地址无关; 
  17. 2、没有成员变量的结构或类的大小为1,因为必须保证结构或类的每一个实例在内存中都有唯一的地址。*/  
上面的说明我想大家都可以看懂,我作为一个初次看内存对齐的小白来说看懂了,但是下面的例子当时我真心没有弄明白,问了专业的大神才看懂到底为啥

下面看例子:

[html]  view plain  copy
  1. //分析下面的例子C:  
  2. //  
  3. #pragma pack (2)     /*指定按2字节对齐*/  
  4. struct C  
  5. {  
  6.   char b;  
  7.   int a;  
  8.   short c;  
  9. };  
  10. #pragma pack () //恢复对齐状态  
  11. /*  
  12. 第一个变量b的自身对齐值为1,指定对齐值为2,所以,其有效对齐值为1,假设C从0x0000开始,那么b存放在0x0000,符合0x0000%1 = 0;  
  13. 第二个变量,自身对齐值为4,指定对齐值为2,所以有效对齐值为2,所以顺序存放在0x0002、0x0003、0x0004、0x0005四个连续的字节空间中,符合0x0002%2=0。  
  14. 第三个变量c的自身对齐值为2,所以有效对齐值为2,顺序在0x0006、0x0007中,符合0x0006%2=0。  
  15. 所以从0x0000到0x0007共八字节存放的是struct C的变量。又struct C的自身对齐值为4,所以struct C的有效对齐值为2。  
  16. 又8%2=0,struct C只占用0x0000到0x0007的八个字节。所以sizeof(struct C)=8。  
  17. 如果把上面的#pragma pack(2)改为#pragma pack(4),那么我们可以得到结构的大小为12。  
  18. */  
为了避免读者和我有同样的误区而看不明白这个问题,我针对我的误区来详细讲一讲:

1.为什么需要内存对齐:为了提高读取的效率,因为我们的操作系统大多为32bit和64bit的,当操作系统在读取数据时,是按照1,2,4,8这种方式在内存中一块一块得读取,所以这就需要

结构体内存对齐来减少读取周期从而提高效率,内存对齐以后的读取效率是很搞高效的。

2.在内存中到底是以什么方式存放和读取的?我当时最不理解的就是这个,遗憾的是参考的文章里没有图示,所以纯理论的看起来有些难理解,笔者在这补上图示,方便读者理解:

结构体内存对齐图示(以上面的实例为例):

|b          |              |                           a                             |                c                |    

0x0000               0x0002                                           0x0006                       0x0008


由上图看出char c在内存中占一个字节,因为0x0000%1 = 0;所以只需要一个字节,int a 在内存中占四个字节,假设从0x0001开始,由于0x0001%2 != 0,所以内存无法对齐,所以0x0001后面

空出一个字节,从0x0002开始存取。后面以此类推。当然这里最好按照数字在内存中占据的字节数有大到小声明,这样在读取时,以上面的例子为例,操作系统就是四个四个字节抓取,效率很高。


下面是一些不同的例子:

  1. #pragma pack(8)  
  2. struct S1  
  3. {  
  4.   char a;  
  5.   long b;  
  6. };  
  7. struct S2 {  
  8.   char c;  
  9.   struct S1 d;  
  10.   long long e;  
  11. };  
  12. #pragma pack()  
  13.   
  14. sizeof(S2)结果为24.  
  15. /*  
  16. S1中:  
  17. 成员a是1字节默认按1字节对齐,指定对齐参数为8,这两个值中取1,a按1字节对齐;  
  18. 成员b是4个字节,默认是按4字节对齐,这时就按4字节对齐,所以sizeof(S1)应该为8;  
  19.   
  20. S2 中:  
  21. c和S1中的a一样,按1字节对齐,  
  22. d 是个结构,它是8个字节,它按什么对齐呢?对于结构来说,它的默认对齐方式就是它的所有成员使用的对齐参数中最大的一个,S1的就是4.所以,成员d就是按4字节对齐.  
  23. 成员e是8个字节,它是默认按8字节对齐,和指定的一样,所以它对到8字节的边界上,这时,已经使用了12个字节了,所以又添加了4个字节的空,从第16个字节开始放置成员e;  
  24. 长度为24,已经可以被8(成员e按8字节对齐)整除.一共使用了24个字节.  
  25. a b  
  26. S1的内存布局:11**,1111,  
  27. c S1.a S1.b d  
  28. S2的内存布局:1***,11**,1111,****11111111  
  29. */  

三、针对字节对齐我们编程时如何考虑?

如果在编程的时候要考虑节约空间的话,那么我们只需要假定结构的首地址是0, 然后各个变量按照上面的原则进行排列即可,基本的原则就是把结构中的变量按照类型大小从小到大声明,尽量减少中间的填补空间。还有一种就是为了以空间换取时间的效率,我们显示的进行填补空间进行对齐,比如:有一种使用空间换时间做法是显式的插入reserved成员:
struct A
{
  char a;
  char reserved[3];    //使用空间换时间
  int b;
};
reserved成员对我们的程序没有什么意义,它只是起到填补空间以达到字节对齐的目的,当然即使不加这个成员通常编译器也会给我们自动填补对齐,我们自己加上它只是起到显示的提醒作用。

四、字节对齐可能带来的隐患

代码中关于对齐的隐患,很多是隐式的。比如在强制类型转换的时候。例如:
  unsigned int i = 0x12345678;
  unsigned char *p = NULL;
  unsigned short *p1 = NULL;
  p=&i;
  *p=0x00;
  p1=(unsigned short*)(p+1);
  *p1=0x0000;
  最后两行代码,从奇数边界去访问unsigned short型变量,显然不符合对齐的规定。在X86上,类似的操作只会影响效率,但是在MIPS或者sparc上,可能就是一个error,因为它们要求字节必须对齐。

五、如何查找字节对齐方面的问题

如果出现对齐或者赋值问题首先查看
  1.编译器设置的对齐值
  2.看这种体系本身是否支持非对齐访问
  3.如果支持看设置了对齐与否,如果没有则看访问时需要加某些特殊的修饰来标志其特殊访问操作。



【C语言】结构体内存对齐 本文探讨了C语言中结构体和枚举的内存对齐与使用规范。在结构体部分,详细分析了内存对齐规则:成员按对齐数(编译器默认对齐数与成员大小的较小值)的整数倍地址存放,结构体总大小为最大对齐数的整数倍。通过多个示例演示了不同排列方式对内存占用的影响(如S1占12字节而S2仅8字节),指出内存对齐以空间换时间的本质。结构体传参建议传递地址而非整个结构体以避免性能损耗。 位段部分介绍了通过冒号指定成员比特位数的语法特性,但其存在跨平台兼容性问题。枚举类型相比#define具有类型检查优势,默认从0开始递增赋值 阅读详情

相关推荐

C语言-结构体内存对齐

结构体内存如何对齐? 为什么存在内存对齐 ? offsetof - 宏

linkang007的博客 1257

c语言数据对齐,【C语言】数据对其(内存对齐)

数据对齐结构体之间的对齐是有很多种方法的,也是根据你所用的系统位数有关。下面都是以32位系统来讲的,32位系统一般以字对齐,字就是系统位数,32位系统则是32位对齐,也就是4字节(int型)对齐。讲程序前我还是先来说下为什么要对齐(面试时也问了下这个问题)?说到底还是为了效率,为了cpu的工作效率。举个例子:一个unsigned short (2字节)类型的变量以下面两种方式存储。非对齐存储:CP...

weixin_39718521的博客 965

C语言结构体内存对齐(计算结构体内存大小)

C语言结构体对齐也是老生常谈的话题了。基本上是面试题的必考题。内容虽然很基础,但一不小心就会弄错。写出一个struct,然后sizeof,你会不会经常对结果感到奇怪?sizeof的结果往往都比你声明的变量总长度要大,这是怎么回事呢? 开始学的时候,也被此类问题困扰很久。其实相关的文章很多,感觉说清楚的不多。结构体到底怎样对齐? 对齐原则方法一有人给对齐原则做过总结,具体在哪里看到现在已记不起来,这里

win_turn的博客 2295

C语言:内存字节对齐详解

C语言:内存字节对齐详解

qq_35158719的博客 3538

【华为2021校招】笔试题【通用硬件】

时间:2020/07/15 19:00 时长:60min 题型:40单选+5多选 难度:中等 考察范围:模电、数电、SI、EMC、电源、微机原理、计算机网络、材料

Jkcia的博客 4万+

解决vscode无法运行npm命令的问题(cmd可行)

Powershell以及vscode中npm命令使用不了

无痕坚守本心的博客 2751

C语言结构体对齐

C语言,结构体对齐

propor的专栏 1293

计算机控制液压同步顶升系统,PLC四点多点同步顶升系统,同步液压顶升系统

PLC同步顶升系统系统可分为5个部分:液压泵站、PLC计算机控制系统、液压终端、位移压力检测与人机界面操作系统,位移同步精度1mm,同步控制点数:4,8,12,16,20,40,80,99;产品特点:高速置零、低速顶升,升降速度可以任意控制;液压千斤顶内置式(或外置)位移、压力传感器、均载阀,保证了顶升系统在恶劣工作环境下的高可靠性;均载阀的过载保护功能,避免了多缸顶升时常见的胀缸事故;先进的进油...

weixin_30093045的博客 1435

数据结构对齐规则(C语言)

概念: 一些概念是为了容易理解,自己定义的。 1、基本对齐系数: 默认情况:由编译器和操作系统决定,一般来说32位系统对齐系数为4(字节);64位系统对齐系数为8(字节) 自定义情况:通过#pragma pack(n) 定义 2、最大类型字节数:数据结构的所有基本类型成员中,所占字节数最多的成员的字节长度;如 typedef struct { char ch_a; int int_b; } T1; 图一 最大类型字节数为4(int i...

ricepot100的专栏 3540

WandB本地部署踩坑指南:从Docker启动到License更新的完整流程(附常见错误解决方案)

本文详细介绍了Weights & Biases(WandB)机器学习实验管理平台的本地化部署全流程,涵盖从Docker环境搭建、许可证管理到常见错误排查的实战经验。针对企业级应用场景,文章还提供了性能优化、高可用架构设计及开源替代方案Trackio的评估与迁移策略,为构建安全、可控的内部实验追踪平台提供完整解决方案。

potato的博客 571

在摩尔线程 MTT S80 上使用 Ollama 进行 DeepSeek R1 蒸馏版模型推理

本文主要介绍了如何在摩尔线程 MTT S80 上通过 Ollama 快速完成DeepSeek R1 蒸馏系列模型的推理。

摩尔线程blog中心 3606

C语言(位字段及对齐性质)

位字段及对齐性质

little_startoo的博客 1703

2025东三省D题深圳杯数学建模实战解析:基于多模型融合的法医STR混合样本智能识别系统

本文深入解析了2025年东三省数学建模竞赛D题,即深圳杯赛题,聚焦于法医STR混合样本的智能识别挑战。文章系统阐述了构建一个基于多模型融合的智能识别系统的完整流程,涵盖贡献者人数判定、DNA贡献比例估计、个体基因型推断以及STR谱图去噪四大核心步骤。通过融合高斯混合模型、随机森林、非负矩阵分解、小波变换与深度学习等多种技术,并强调特征工程的重要性,为破解法医DNA混合样本分析这一行业难题提供了清晰的数学建模与AI实战思路。

weixin_29050271的博客 392

C语言结构体内存对齐

结构体或许小伙伴们都知道,或许也能够做到熟悉的去运用结构体,但你们有没有想过:整型数组存放的数据都是整型,字符数组存放的数据都是字符,它们类型相同,所以也都能够做到在内存中紧密的存储,而结构体中存放的数据各种各样,它们的存储是否能做到在内存中紧密排列呢?又或者说,结构体的内存应该怎样去计算呢?今天让我们来一起探讨一下这个问题~

爱是小小的癌的博客 3416

Midscene.js(1):Chrome 插件实战之基于 AI 驱动 WEB UI 自动化测试「喂饭教程」

Midscene.js 是一款开源的AI驱动UI自动化工具,支持自然语言交互、数据提取、断言验证等多种功能。自然语言交互。本文将以 Midscene.js Chrome 插件为例,带你从零上手,体验如何用最简单的方式实现高效、智能的UI自动化测试。

blues_C的博客 4405

(五)深入理解蓝牙BLE之“Beacon包格式详解”

蓝牙Beacon格式详解 本文重点在结合Bluetooth官网spec和几个例子来使beacon帧格式更加容易被理解。 广播帧格式: 首先beacon是蓝牙BLE广播包的一种,蓝牙广播帧格式如下: PS:其实BLE数据帧除了报头字段和数据字段定义与广播帧不同之外,前导/接入地址/长度/校验格式均相同。 广播帧数据字段格式: 数据字段最长为37个字节:6个字节的广播设备地址 + 31个字节广播数据。 广播数据的格式如下:AD Structure1 +AD Structure2 + .....

1万+

C语言中结构体的内存对齐

/1字节int i;//4字节char a2;//1字节struct s2char a1;//1char a2;//1int i;//1字节int i;//4字节char a2;//1字节struct s2char a1;//1。

C语言 1467

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

C语言深度理解之——结构体内存对齐

C语言深层理解之结构体在内存中的存储方式

2301_80220607的博客 2115

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

【C语言】结构体内存对齐:热门面试话题

书接上文,我们了解关于结构体的基本知识,这篇将深入剖析结构体中一个重要的知识点:内存对齐 关于内存对齐是属于热门面试话题,对此单独放在一篇来分享

专注于 C/C++ 后端开发,涵盖基础语法、Linux系统与网络、MySQL数据库、常见算法及项目经验。 2378

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】_结构体的内存对齐

charc1;inti;charc2;测试其大小:内存分布如下:charc1;charc2;inti;

m0_63299495的博客 999

【C语言系列】-结构体中的内存对齐

搞定内存对齐,你只需要~

C、Java知识分享 2550

[c语言日寄]结构体:内存对齐

在C语言的世界里,结构体(struct)是一种非常强大且灵活的工具,它允许我们自定义数据类型,将多个不同类型的数据组合在一起。这种特性使得结构体在处理复杂数据时变得非常方便。然而,当我们深入研究结构体时,会发现一个有趣且重要的现象:结构体的内存对齐。内存对齐直接影响到程序的性能和内存使用效率。今天,我们就通过一个简单的程序来深入探讨结构体的内存对齐。结构体的内存对齐是C语言中一个非常重要的概念,它直接影响到程序的性能和内存使用效率。

2401_83741734的博客 8833

c语言结构体的内存对齐

结构体的内存对齐是拿空间来换取时间的做法。虽然根据内存对齐可能会开辟不必要的空间,但是为了保障读取数据的速度,拿空间换时间是值得的!其实,在设计结构体的时候,我们的目的是既要满足对齐,又要节省空间,这又如何做到呢?我们可以通过调整成员变量声明的顺序来减少结构体因为内存对齐的空间亏损。int i;char c2;char c2;int i;S1和S2类型的成员一模一样,但是S1和S2所占空间的大小有了一些区别。

稻草人敲代码的博客 486

C语言结构体及内存对齐

struct 结构体名 {数据类型 成员名1;数据类型 成员名2;// 可以有多个不同类型的成员数据类型 成员名n;int age;内存对齐是空间换时间的设计,让 CPU 访问更高效。计算大小需遵循“成员对齐”和“整体对齐”规则。可通过强制修改对齐数。成员对齐看自身,整体对齐看最大,可强制。

liutianyuan__的博客 892

【C语言进阶】内存函数和结构体内存对齐

在之前我们学习过strcpy和strncpy函数,他们是专门针对字符串拷贝的函数。而其他类型则不能使用,为了能够拷贝多种数据类型,C语言有这样的内存函数memcpy,memcpy函数则是以字节为单位拷贝数据。函数memcpy从src的位置开始向后复制count个字节的数据到dest的内存位置.这个函数在遇到 ‘\0’ 的时候并不会停下来。因为不是字符串函数如果dest和src有任何的重叠,则可能会出现错误。函数原型注意事项和memcpy的差别就是memmove函数处理的。

喜欢就坚持吧 1412
上一篇: c语言 mem类函数源码
下一篇: c语言预处理和宏定义详
戴着眼镜看不清
博客等级 码龄10年 1189粉丝 111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

打赏作者

戴着眼镜看不清

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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