C语言运算符

该博客主要介绍C语言运算符。C语言运算符按操作数可分为单目、双目和三目运算,按类型可分为初等、单目、算术等九种。文中详细阐述了各类运算符的特点,如单目运算符中逻辑非、按位取反等的作用,还提及了运算符优先级。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


前言

C语言运算符按照操作数可以分为单目运算双目运算三目运算
还可以按照类型区分:
1.初等运算符2.单目运算符3.算术运算符4.移位运算符5.关系运算符6.逻辑运算符7.条件运算8.赋值运算9.逗号运算

一、初等运算符

在这里插入图片描述
()的优先级最高

二、单目运算符

在这里插入图片描述
1.! 称为逻辑非运算符。用来逆转操作数的逻辑状态。如果条件为真则逻辑非运算符将使其为假。
2.~ 成为按位取反运算符,对操作数的每一位执行逻辑取反操作,即将每一位的 0 变为 1,1 变为 0,取反运算符,按二进制位进行"取反"运算。
3.++ 自增运算符,++a运算符在前时,a先自加,然后在赋值。a++运算符在后时,a先赋值,之后在自加。
4.- 自减运算符,–a运算符在前时,a先自减,然后在赋值。a–运算符在后时,a先赋值,之后在自减。
以下实例演示了 a++ 与 ++a 的区别:

#include <stdio.h>
int main()
{
   int c;
   int a = 10;
   c = a++; 
   printf("先赋值后运算:\n");
   printf(" c 的值是 %d\n", c );
   printf(" a 的值是 %d\n", a );
   a = 10;
   c = a--; 
   printf(" c 的值是 %d\n", c );
   printf(" a 的值是 %d\n", a );
 
   printf("先运算后赋值:\n");
   a = 10;
   c = ++a; 
   printf(" c 的值是 %d\n", c );
   printf(" a 的值是 %d\n", a );
   a = 10;
   c = --a; 
   printf(" c 的值是 %d\n", c );
   printf(" a 的值是 %d\n", a );
   return 0; 
 
}

在这里插入图片描述

三、算数运算符

假设A=10,B=20。
在这里插入图片描述
注意:%运算符左右操作数都必须为整数

四、移位运算符

在这里插入图片描述

五、关系运算符

下表显示了 C 语言支持的所有关系运算符。假设变量 A 的值为 10,变量 B 的值为 20,则:
在这里插入图片描述

六、逻辑运算符

下表显示了 C 语言支持的所有关系逻辑运算符。假设变量 A 的值为 1,变量 B 的值为 0,则:
在这里插入图片描述
假设变量 A 的值为 60,变量 B 的值为 13,则:
在这里插入图片描述

七、条件运算

在这里插入图片描述

八、赋值运算符

下表列出了 C 语言支持的赋值运算符
在这里插入图片描述

九、逗号运算符

在这里插入图片描述
在这里插入图片描述

十、运算符优先级

在这里插入图片描述

### 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行多样化处理,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) 进行匹配。 --- #### 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,并在此基础上进行了优化,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 1
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