我刚才读到:C维基百科条目.据我所知,有三种不同版本的C被广泛使用:C89,C99和C11.我的问题涉及不同版本的源代码的兼容性.假设我要编写一个程序(在C11中,因为它是最新版本)并导入一个用C89编写的库.根据C11规范编译所有文件时,这两个版本是否能够正常工作？
问题1:较新版本的C即旧C版本的C99,C11超集？我认为,超集我的意思是,根据较新的C规范编译时,旧代码将编译时没有错误和相同的含义.
我刚才读到,//在C89和C99中有不同的含义.除了这个功能,还是C89的C99和C11超集？
如果问题1的答案是否定的,那么我又得到了2个问题.
如何将旧代码"移植"到新版本？有没有解释这个程序的文件？
使用C89或C99或C11更好吗？
感谢您的帮助.
编辑:将ISO C更改为C89.
我已阅读此文档：
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.loc.html
您可以使用类似的语法df.loc[df['shield'] > 6, ['max_speed']]。
我尝试使用 Github 并发现：
假设您有一个pandas.core.frame.DataFrame对象，即一个DataFrame被调用的对象df。
的类型df.loc是pandas.core.indexing._LocIndexer。
尽管如此，我还是无法理清这些问题：
您如何使 Python 函数/类接受上述语法？
pandas.core.frame.DataFrame属性在源代码中的哪里self.loc定义？
我尝试解析 SEC 公司文件sec.gov。从fb 10-Q index.htm开始，让我们看一下完整的文本提交归档，例如完整的提交文本归档。它的结构如下：
<SEC-DOCUMENT>
<SEC-HEADER>
<ACCEPTANCE-DATETIME>"some content" This tag is not closed.
"some lines resembling yaml markup"
These are indented lines with a
"key": "value" structure.
</SEC-HEADER>
<DOCUMENT>
.
.
some content
.
.
</DOCUMENT>
"several DOCUMENT tags" ...
</SEC-DOCUMENT>
我试图弄清楚标签的结构，并在公共传播服务（PDS）技术规范（pdf）<SEC-HEADER>下找到了一些信息，并得出标题的内容应该是SGML。
尽管如此，我对格式一无所知，因为没有尖括号，并且键-值对是用冒号分隔的，而key: value不是<key>value</key>。在 pdf 链接中我找不到任何有关冒号的信息。
问题： <SEC-HEADER>标签是否有效 SGML？如果是的话如何解析？
我很乐意提供任何帮助。
我通过迁移学习使用 Tensorflow 2.0 训练了一个 ResNet50 模型。我稍微修改了架构（新的分类层）并在训练期间使用 ModelCheckpoint 回调https://keras.io/callbacks/#modelcheckpoint保存模型。训练很好。回调保存的模型在硬盘驱动器上占用约 206 MB。
为了使用我所做的模型进行预测：
我创建了一个 Jupyter Lab 笔记本。我用于my_model = tf.keras.models.load_model('../models_using/my_model.hdf5')加载模型。（顺便说一句，使用 IPython 也会发生同样的情况）。
我使用freelinux 命令行工具来测量加载之前和之后的可用 RAM。模型加载需要大约 5 GB 的 RAM。
我将模型和配置的权重保存为 json。这大约需要 105 MB。
我从 json 配置和权重加载了模型。这需要大约 200 MB 的 RAM。
比较了两种模型的预测。完全相同的。
我用稍微不同的架构（以相同的方式训练）测试了相同的程序，结果是相同的。
谁能解释一下巨大的 RAM 使用量，以及硬盘驱动器上模型大小的差异？
顺便说一句，给定一个 Keras 模型，你能找出编译过程（优化器，..）吗？Model.summary() 没有帮助..
2019-12-07 - 编辑：感谢这个答案，我进行了一系列测试：
我使用!freeJupyterLab 中的命令来测量每次测试前后的可用内存。因为我get_weights返回一个列表，所以我曾经copy.deepcopy真正复制对象。请注意，下面的命令是单独的 Jupyter 单元，并且仅为此答案添加了内存注释。
!free
model = tf.keras.models.load_model('model.hdf5', compile=True)
# 25278624 - …