Symbian平台代码效率


对于速度特别是资源使用方面代码效率的关注总是值得的,这篇文章提供给Symbian开发者一些应该熟知的方法。

栈使用
--------------------------------------------------------
应用程序每个线程标准的栈空间为8KB,应该被小心使用,因此:
1.除基本类型外,避免值拷贝
2.在堆而不是栈上创建大的对象或数组
3.用恰当的限制范围来将自动变量的生命周期减到最小

最后一点用下面的例子说明:
void ABadFunction()
    {
    TBigObject Object1;
    TBigObject Object2;
    TBigObject Object3;
   
    GetTwoObjectValues(Object1,Object2);
    Object3=SumObjects(Object1,Object2);
    FunctionWithUnknownStackOverhead(Object3);
    }
在上面的代码中,object1和object2,在调用FunctionWithUnknownStackOverhead()函数的整个生命周期中保留在栈空

间中,虽然那个时候已经不需要他们。他们应该在调用之前从栈中清除,可以像下面这样做:
void ABetterFunction()
    {
    TBigObject Object1;

    GetTotalObjectValues(Object1);   
    FunctionWithUnknownStackOverhead(Object1);
    }

void GetTotalObjectValues(TBigObject &aObject)
    {
    TBigObject Object1;
    TBigObject Object2;

    GetTwoObjectValues(Object1,Object2);
    aObject=SumObjects(Object1,Object2);
    }
通过将代码分作两个函数,你确保了只有在需要时才使用栈。

函数重载
----------------------------------------------------------------------------
如果一个函数定义有默认参数,并且如果那个函数经常以此默认值被调用,则应考虑提供没有这个额外参数的重载函数

。这是因为每次编译器提供一个默认参数,在函数被调用时将产生额外的代码。

比如,你有

void FunctionOne(TInt aInt = 0);

而它经常被这样调用:

FunctionOne();

那么考虑提供

void FunctionOne();

内容可能是

void FunctionOne()
{
 FunctionOne(0);
}

指针和引用
------------------------------------------------------------------
使用引用作为函数形参比指针更有效率。这是因为编译器必须在所有转换中保留空指针的值。

想象一个Cxxx类,派生自MYyy,如下:
class CXxx : public CBase , public MYyy {...};

那么,传递CXxx对象到接受Myyy为形参的函数时,编译器必须将sizeof(CBase)加到指针中,除非指针为NULL。
如果cp是一个CXxx*,且Func()是接受 Myyy*的函数,那么调用Func(cp)时将发生:
Func(MYyy* aM)(cp == NULL ? NULL :(TUint8*)cp+sizeof(CBase)));

空引用是不可能的,所以对它检查NULL没有必要。在ARM上,将CXxx*转换为MYyy*需要8个指令,而CXxx&到Myyy&的转换

只要两个。

浮点算术
-----------------------------------------------------------
浮点算术那是相当的慢,所以值得找一找有没有只用整数的替代算法。

比如,给你两个 TInt,aTop和aBottom,替代下面的算法:
TReal a = (TReal)aTop;
TReal b =(TReal) aBottom;
TReal c = a/b + 0.5;
TReal result;
Math::Round(result,c,0);

你应该使用

return ((2*aTop+aBottom)/(2*aBottom));

内联函数
-----------------------------------------------------------------
内联函数可以避免函数调用开销从而提高代码效率,它将操作伪装成函数以保持模块化。
但是,在使用它之前你应该检查:
1.代码紧凑性:内存资源受限意味着,比起大量的内联带代码,函数的调用开销更能接受。
2.二进制兼容性:改变内联函数的实现将破坏二进制兼容性。这在你的代码被其他Symbian开发者使用时很重要。

内联函数被接收的最一般情况是:
1.一两个机器字长的getter和setter函数,例如:
inline ConEnv const{return iConEnv;};
2.T类的微型构造函数:
inline TPoint::TPoint(TInt aX, TInt aY) {iX = aX, iY = aY;};
3.在瘦模板惯用法中:参见Thin template
4.某些其他的操作和函数,可能是模板,其定义在一个操作映射到另一个操作时不受改变,例如:
template<class T> inline T Min(T aLeft, T aRight)
{return (aLeft < aRight ? aLeft : aRight);}

当删除对象时不做空指针检查
-----------------------------------------------------
C++规定了delete 0不做任何事,所以你不必像这样写代码
if(iX)
delete iX;

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码
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 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