C位级运算基础

简介: 无符号数有符号数,有符号数的最常见的表示方法之一就算补码补码的 最高有效位是符号位 正数的补码是本身,负数的补码是本身值每位求反最后加1二进制的&与(都为真时为真) |或 (一个为真时为真)^异或(有一个为真,但两个不相同时为真) ~取反(真时假,假时真)-3 的16 进制  首先原码...

无符号数

有符号数,有符号数的最常见的表示方法之一就算补码

补码的 最高有效位是符号位 

正数的补码是本身,负数的补码是本身值每位求反最后加1

二进制的&与(都为真时为真) |或 (一个为真时为真)^异或(有一个为真,但两个不相同时为真) ~取反(真时假,假时真)


-3 的16 进制  首先原码为0011,假如是正数补码等于原码, 负数的求补码,首先计算|-3|的原码,然后再计算反码(就是按二进制位取反),再在反码的基础上加1

 

正数补码 是本身 ,负数补码是绝对值按位取反码再加1;豁然明朗,

再次总结下  无符号表示,有符号表示(一般最通常用的是补码,或是反码)


w位无符号 取值范围0 ~ 2(w - 1)    1111  8 4 2 1 = 15    2(w) - 1

128 + 64 + 32 + 16 + 8 + 4 + 2 + 1 = 192 + 56 + 7 = 192 + 63 = 255 = 2(8) - 1 = 16 * 16 = 256 - 1 = 255 


w位 无符号取值范围 2(w) - 1 


w位 有符号取值范围-2(w - 1) ~ 2(w -1) - 1

w = 8

-2(8-1) ~ 2(8-1) - 1 = -2(7) ~ 2(7) - 1  = -128 ~ (128 - 1) = 128 ~ 127


补码,反码 

有符号才反码、补码,反码 + 1 = 补码

有符号的 补码是先通过绝对值的原码 取反再 加 1

再加深下对二进制移位规则的回顾,左移x << k 丢弃最高的k个有效位,在右侧尾部补充k个0

右移x >> k 逻辑移时 在左侧补k个0

算符移位时在左侧补k个移位数的最高有效位.



目录
相关文章
|
存储 编解码 监控
G-Code 详解
玩过一段时间3D打印机的朋友,都会接触到G-code文件。所谓G-code文件, 指的是3D模型在进入3D打印机实际打印之前,必须要经过切片器处理而成的一种中间格式文件。
6873 0
|
8月前
|
数据库 决策智能
多 Agent 验证架构实战:从输出评分到过程验证
2026年生产级Agent系统最典型失败:多步流水线中错误静默累积,最终输出流畅却全错。本文详解四种验证模式——输出评分、Reflexion、对抗辩论与过程验证,揭示其适用场景、失效边界及真实成本(验证器用小模型可降本10倍),强调验证层是演示与落地的分水岭。
534 0
多 Agent 验证架构实战:从输出评分到过程验证
|
缓存 Linux
linux 内存清理释放命令
linux 内存清理/释放命令 1.清理前内存使用情况  free -m 2.开始清理  echo 1 > /proc/sys/vm/drop_caches3.清理后内存使用情况 free -m4.
8729 0
|
10月前
|
机器学习/深度学习 人工智能 安全
构建AI智能体:八十六、大模型的指令微调与人类对齐:从知识渊博到善解人意
本文探讨了大模型从知识储备到实用助手的进化过程。首先分析了原始预训练模型存在的问题:擅长文本补全但缺乏指令理解能力,可能生成有害或无关内容。然后详细介绍了指令微调技术,通过高质量(指令-输出)数据集教会模型理解并执行翻译、总结、情感分析等任务。进一步阐述了人类对齐技术,包括基于人类反馈的强化学习(RLHF)的三个关键步骤,使模型输出不仅符合指令,更符合人类价值观。最后展示了Qwen模型微调实践,包括代码实现和效果对比。整个过程将AI从知识库转变为既强大又安全可靠的智能助手。
931 19
|
11月前
|
缓存 自然语言处理 API
油管 item_get_video - 视频详情接口对接全攻略:从入门到精通
本文详解YouTube Data API v3的videos.list接口(item_get_video),通过视频ID获取标题、播放量、互动数据、创作者信息等全量字段,支持批量查询与多语言返回。涵盖接口功能、认证方式、配额规则、Python实操代码、调试排错及生产级优化策略,适用于内容聚合、舆情监测、版权保护等场景,兼顾合规性与企业级稳定性需求。
|
11月前
|
机器学习/深度学习 存储 人工智能
大模型基础概念术语解释
大语言模型(LLM)基于Transformer架构,通过海量文本训练,具备强大语言理解与生成能力。其核心组件包括注意力机制、位置编码、嵌入层等,支持万亿级参数规模,展现出涌现与泛化特性。Token为基本处理单元,MoE架构提升效率。模型能力随规模扩大显著跃升,推动AI语言处理发展。
|
关系型数据库 MySQL Linux
安装MySQL 5.7到红帽系RHEL8+系列上
本文介绍了在RHEL 8及以上系统中安装MySQL 5.7的两种方法:解压安装与RPM包安装。涵盖环境准备、目录配置、数据盘挂载、初始化及服务启动等关键步骤,适用于红帽系(8+)部署MySQL 5.7。
|
Rust 安全 程序员
C++
C++诞生于对性能与控制的极致追求,融合C语言效率与面向对象思想,以“零开销抽象”和信任程序员为核心哲学。历经四十年演进,从系统底层到前沿科技,其力量源于复杂性,挑战亦然。现代C++在安全与效率间持续进化,仍是驾驭硬件、突破极限的不二之选。
|
机器学习/深度学习 人工智能
AI重塑电商拍摄:技术驱动的商业变革——5款AI模特图生成工具技术分析
AI技术正重塑电商拍摄:低成本、高效率生成逼真模特图,支持批量换装、换背景,助力商家快速上架、灵活试错。燕雀光年、Kaiber等工具实测好用,未来AI与实拍将互补共存。
1249 0

热门文章

最新文章