Printf中的行缓冲以及让printf输出

1、缓冲区的定义(即什么是缓冲区):缓冲区又称为缓存它是内存空间的一部分。也就是说在内存空间中预留了一定的存储空间这些存储空间用来缓冲输入或输出的数据这部                                    分预留的空间就叫做缓冲区。 缓冲区根据其对应的是输入设备还是输出设备分为输入缓冲区和输出缓冲区。

2、引入缓冲区的原因:缓冲区就是一块内存区它用在输入输出设备和CPU之间用来缓存数据。它使得低速的输入输出设备和高速的CPU能够协调工作避免低速的输入输出设备占                      用CPU解放出CPU使其能够高效率工作。

3、在C编程中缓冲可以分为:行缓冲、全缓冲、不带缓冲三种

4、全缓冲:当缓冲区满时就会被自动刷新,不同系统的缓冲区大小不同

      不带缓冲:也就是不进行缓冲标准出错情况stderr是典型代表这使得出错信息可以直接尽快地显示出来。

      行缓冲:当缓冲区满时不会自动刷新且无法继续输入,需要按回车才可以刷新缓冲区当在输入和输出中遇到换行符时执行真正的I/O操作。这时我们输入的字符先存放在缓冲           区等按下回车键换行时才进行实际的I/O操作。

5、缓冲区的刷新:在满足以下4种情况时缓冲区刷新

     ①缓冲区满

     ②执行flush语句

     ③执行endl语句

     ④关闭文件

6、printf为行缓冲,与scanf储存在同一个缓冲区

7、printf()函数是格式化输出函数, 一般用于向标准输出设备按规定格式输出信息。在编写程序时经常会用到此函数。      

8、printf()函数的调用格式为:  printf("<格式化字符串>", <参量表>)。其中格式化字符串包括两部分内容: 一部分是正常字符这些字符将按原样输出; 另一部分是格式化规定字符,                                                      "%"开始,后跟一个或几个规定字符, 用来确定输出内容格式。     

9、参量表是需要输出的一系列参数, 其个数必须与格式化字符串所说明的输出参数个数一样多, 各参数之间用","分开, 且顺序一一对应否则将会出现意想不到的错误。     

10、格式化字符串的格式是:%[标志][输出最小宽度][.精度][长度]格式字符      标志:标志字符为-+#、空格四种,其意义下表所示:      
        标志                               意义     
           -                 结果左对齐,右边填空格     
          +                 输出符号(正号或负号)     
        空格              输出值为正时冠以空格,为负时冠以负号     
          #                 c,s,d,u类无影响;对o,在输出时加前缀o;对x,在输出时加前加0x;对e,g,f 类当结果时才给出小数点.

       例1#include<stdio.h>
                  int  main()
                 {  
                     int a=100;
                     float b=123.255;
                     printf("a=%d ",a);
                     printf("a=%10d ",a);  
                     printf("a=%-10d ",a);  
                     printf("a=%+d ",a);   
                     printf("a=% d ",a);  
                     printf("a=%#o ",a);  
                     printf("a=%#x ",a);  
                    printf("b=%#f ",b);  
               }
         运行结果: 

                  a=100
                  a=       100
                  a=100
                  a=+100
                  a= 100
                  a=0144
                  a=0x64
                  b=123.254997

11、输出最小宽度:用十进制整数来表示输出的最少位数。(至少要输出这么多位!)若实际位数多于定义的宽度:则按实际位数输出。 若实际位数少于定义的宽度:则右对       齐,左边留空。 有负号,左对齐,右边留空,表示宽度的数字以0开始,则右对齐,左边留空。
        例2 #include<stdio.h>
              int main()
             {
                 int a=3456;
                 printf("a=%3d ",a);    //若实际位数多于定义的宽度:则按实际位数输出
                 printf("a=%10d ",a);   //若实际位数少于定义的宽度:则右对齐,左边留空
                 printf("a=%-10d ",a);  //若实际位数少于定义的宽度:有负号,左对齐,右边留空
                 printf("a=%010d ",a);  //若实际位数少于定义的宽度:表示宽度的数字以0开始,则右对齐,左边留空  
                 printf("a=%-010d ",a); //左对齐,0无意义。  

      }  

           运行结果:
               a=3456
               a=      3456
               a=3456
               a=0000003456
               a=3456

12、精度:精度格式符以“.”开头,后跟十进制整数。
    意义是:(1)如果输出数字,则表示小数的位数;若实际位数大于所定义的精度数,则四舍五入。若不足则补0   
                    (2)如果输出的是字符,则表示输出字符的个数;若实际位数大于所定义的精度数,则截去超过的部分。
13、长度:长度格式符为h,l两种,h表示按短整型量输出,l表示按长整型量输出

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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