浅析c++异常

   异常处理:异常,让一个函数发现自己无法处理的错误时抛出异常,让函数的调用者直接或间接的处理这个问题。

传统错误处理办法

1、终止程序。(如段错误等)

2、返回错误码。

3、返回合法值,让程序处于某种非法的状态。(坑货)

4、调用一个预先设置的出现错误时调用的函数。

虽然可以解决问题,但都存在缺陷,然而引入异常处理可以很好的解决问题。

异常的抛出和捕获

1、异常是通过抛出对象而引发的,该对象的类型决定了应该激活哪个处理代码。

2、被选中的处理代码是调用链中与该对象类型匹配且离抛出异常位置最近的那一个。

3、抛出异常后会释放局部存储对象,所以被抛出的对象也就还给系统了,throw表达式会初始化一个抛出特殊的异常对象副本(匿名对象),异常对象由编译管理,异常对象在传给对应的catch处理之后撤销。

栈展开

抛出异常的时候,将暂停当前函数的执行,开始查找对应的匹配catch子句,本层没找到时就不断向外层寻找,若到达main函数的栈,依旧没有匹配的,则终止程序。

找到匹配的catch子句并处理以后,会继续沿着catch子句后面继续执行。

具体实现如下:

#include<iostream>
using namespace std;
#include<string>

class Exception
{
public:
	Exception(int errId, const char* errMsg = "")
		:_errId(errId)
		, _errMsg(errMsg)
	{}
	void What()const
	{
		cout << "errId:" << _errId << endl;
		cout << "errMsg:" << _errMsg << endl;
	}
private:
	int _errId;//错误码
	string _errMsg;//错误信息
};
//异常的抛出
void Func1(bool isThrow)//抛出Exception对象
{
	if (isThrow)
		throw Exception(1, "抛出Exception对象");
	cout << "Func1->" << isThrow << endl;
}
void Func2(bool isThrowString,bool isThrowInt)//抛出string和int对象
{
	if (isThrowString)
		throw string("抛出string对象");
	if(isThrowInt)
		throw 7;
	cout << "Func2->" << isThrowString <<" "<<isThrowInt<< endl;
}

void Test()
{//异常的抛出
	try
	{   
		//Func1(true);Func2(true, true);此时只执行Func1(true),由于Func1()函数存在异常
		//同理针对下面程序,不执行Func2()的第二个参数的异常抛出
		//从调试中可以发现异常处理会跳出,造成程序执行中断
		Func1(false);
		Func2(true,true);
	}
	catch (const string& errMsg)
	{
		cout << "Catch string Object:" << errMsg << endl;
	}
	catch (int errId)
	{
		cout << "Catch int Object:" << errId << endl;
	}
	catch (const Exception& e)
	{
		e.What();
	}
	catch (...)
	{
		cout << "未知异常" << endl;
	}
	cout << "Func()" << endl;
}

异常的重新

有可能单个的catch不能完全处理一个异常,在进行一些校正处理以后,希望再交给更外层的调用链函数来处理,catch则可以通过重新抛出将异常传递给更上层的函数进行处理。

异常与构造函数&析构函数

1、构造函数完成对象的构造和初始化,需要保证不要在构造函数中抛出异常,否则可能导致对象不完整或没有完全初始化。

2、析构函数主要完成资源的清理,需要保证不要在析构函数内抛出异常,否则可能导致资源泄漏(内存泄漏、句柄未关闭等)

本文出自 “Scen” 博客,请务必保留此出处http://10741357.blog.51cto.com/10731357/1754989

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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