结构体和联合体在数据处理中的妙用

     在数据位的处理上,我们知道整型数是两个字节,而字符数是一个字节。在我们要从字符串中得到整型数时,可以利用结构体和联合体来进行处理,这样就可以得到事半功倍的效果

如:
#define     SHORT               signed short
BYTE *pucSectionData
    typedef    union
{
       SHORT   sWord16;
       struct
       {
              unsigned char ucByte0; /* LSB */
              unsigned char ucByte1;        /* MSB   */
       } byte;
} SHORT2BYTE;
SHORT2BYTE               stTempData16;
int                          uNetworkID = 0;
操作:
     stTempData16.byte.ucByte1 = pucSectionData[3];
              stTempData16.byte.ucByte0 = pucSectionData[4];
              uNetworkID = stTempData16.sWord16;
这样我们就得到了我们想要得结果
但是如果反过来操作的话,则要注意:
    如:  stTempData16.sWord16= uNetworkID;
    则:  stTempData16.byte.ucByte1拿到的则是高位的数据
                stTempData16.byte.ucByte0 拿到的则是低位的数据
这是在应用结构体和联合体时要特别注意的。同时也要注意:在使用结构体和联合体的时候尽量不要出现数据结构不一致的问题,特别是一些数据结构的转换时不可以出现数值转换异常!
 
### 解决 PP-OCRv4 出现的错误 当遇到 `WARNING: The pretrained params backbone.blocks2.0.dw_conv.lab.scale not in model` 这样的警告时,这通常意味着预训练模型中的某些参数未能匹配到当前配置下的模型结构中[^2]。 对于此问题的一个有效解决方案是采用特定配置文件来适配预训练权重。具体操作方法如下: 通过指定配置文件 `ch_PP-OCRv4_det_student.yml` 并利用已有的最佳精度预训练模型 (`best_accuracy`) 来启动训练过程可以绕过上述不兼容的问题。执行命令如下所示: ```bash python3 tools/train.py -c configs/det/ch_PP-OCRv4/ch_PP-OCRv4_det_student.yml ``` 该方案不仅解决了参数缺失带来的警告,还能够继续基于高质量的预训练成果进行微调,从而提升最终检测效果。 关于蒸馏的概念,在机器学习领域内指的是将大型复杂网络(teacher 模型)的知识迁移到小型简单网络(student 模型)。这里 student 和 teacher 的关系是指两个不同规模或架构的神经网络之间的指导与被指导的关系;其中 teacher 已经经过充分训练并具有良好的性能,而 student 则试图模仿前者的行为模式以达到相似的效果但保持更高效的计算特性。 至于提到的 `Traceback` 错误信息部分,由于未提供具体的跟踪堆栈详情,难以给出针对性建议。不过一般而言,这报错往往涉及代码逻辑错误或是环境配置不当等问题。为了更好地帮助定位和解决问题,推荐记录完整的异常日志,并仔细检查最近修改过的代码片段以及确认依赖库版本的一致性。
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