c++在线笔记

函数模板

形如:

template<typename T>    //没有分号

T sumT a , T b){……}

T为数据类型

即定义时不给出返回值和参数类型,引用时自动填充

此举会覆盖全局名

使用类模板定义对象时使用如下形式:

类模板名<实际类型名> 对象名;

类模板名<实际类型名> 对象名(实参列表);

如果在类模板之外定义成员函数,应该写成类模板形式:

template <class 虚拟参数类型>

函数类型 类模板名<虚拟参数类型>::成员函数名(函数形参列表){...}

引用   

int a;

int &b=a;

b不占空间,与a有相同功能

引用在初始化后不能再被重新声明为另一个变量的别名

内联函数

inline 正常函数定义

类似宏(#define),先声明后调用

用于比较短的函数,以提高效率

new  delete 动态内存分配和释放 两者均为运算符,搭配使用

静态成员static

面对类的操作,在类外定义也能实现功能,但是为了封装和维护,定义在类内,仅仅针对类,不针对对象

友元 friend class T f(x,y);  类中声明,类外定义,不属于类,但是可以操作类的成员

虚函数 这个就是传说中的牛逼的接口了,在父类中声明为虚函数,可以在今后由这个类所派生的类中重新定义该函数(关于返回类型和形参应该参考重载

命名空间  类似于只有public成员的类,顾名思义,是用来划分名字空间,空间内的声明按照某种准则在逻辑上属于同一个集团

void* 的重要用途是需要向函数传递一个指针,而又不能对对象的类型做任何假设。还有就是从函数返回一个无类型的对象,必须通过显示的类型转换。

关于可移植性,我认为是指同一段程序在不同编译器(同一语言的不同编译器,而非不同语言)下的运行能力,使用标准库是个好方法(c++ programming language

这两个在程序中的区别 if a & b then c else d ,意思是ab两个条件都检查,如果都满足,则执行c.
if a && b then c else d意思是先检查a条件是否满足,如果满足检查b条件是否满足,如果b条件满足则执行c,如果检查a条件不满足,则直接执行d,不再去检查b条件是否满足。简单说就是a&b两个条件不论是否满足都要检查a && b,只要a不满足条件就不会检查b

关于构造函数

以下代码的运行结果是调用了两次构造函数和一次析构函数,第一次构造很容易理解,第二次的构造是再对t1赋值的时候,进行类型转换,调用了构造函数,
赋值之后析构临时对象。


class A
{
public:
	A(int a) :a(a) { cout << "constructor run" << endl; }
	~A() { cout << "distructor run" << endl; }
private:
	int a;
};

int main(int argc,char** argv)
{
	A t1(5);
	t1 = 6;
}

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