C++强制类型转换

4种强制类型转换:dynamic_cast , const_cast , static_cast , reinterpret_cast

dynamic_cast:通常在积累和派生类之间转换时使用
const_cast:主要针对const和volatile的转换
static_cast:一般的转换(no run-time check)通常,如果你不知道该用哪个,就用这个
reinterpret_cast:用于进行没有任何关联之间的转换,比如一个字符指针转换成一个整形数(char *---int)

1)dynamic_cast<T*>(a)
运行期处理。
其仅能应用于指针或者引用, 不支持内置数据类型
如果类型T不是a的基类型,返回空指针。
它会在运行期,检查被指针引用的对象的实际类型,确定转换是否可行。所以,为了让其正常工作,必须让编译器支持RTTI(运行期类型信息)
2)const_cast<type_id>(expression) 百度百科
编译期处理。
该运算符用来修改类型的const或volatile属性。除了const或volatile修饰之外,type_id和expression必须是相同类型。
class A { ... };
void f()
{
    const A *pa = new A;//const对象
   A *pb;//非const对象
   //pb = pa; // 这里将出错,不能将const对象指针赋值给非const对象
   pb = const_cast<A*>(pa); // 现在OK了
   ...
}
const_cast操作不能在不同的种类间转换。它仅仅把一个它作用的表达式转换成常量。它可以使一个本来不是const类型的数据转换成const类型,或者把const属性去掉。
3)static_cast<type_id>(expression)百度百科
编译期处理。

有如下几种用法
①结构中基类(父类)和派生类(子类)之间指针或引用的转换
进行上行转换(把派生类的指针或引用转换成基类表示pBase = pDerived)--安全
进行下行转换(把基类指针或引用转换成派生类表示pDerived = pBase)--不安全,因为没有动态类型检查
②基本数据类型之间的转换,如把int转换成char,把int转换成enum。安全性由开发人员保证。
③把空指针转皇城目标类型的空指针
④把任何类型的表达式转换成void类型
注意:static_cast不能转换掉expression的const、volatile、_unaligned属性。
例子
int i;
float f = 166.71;
i = static_cast<int>(f);
此事结果,i的值为166.
4)reinterpret_cast<type_id>(expression)百度百科
type_id必须是一个指针、引用、 算术类型、函数指针或者成员指针。
它可以把一个指针转换成一个整数,也可以把一个整数转换成一个指针(先把一个指针转换成一个整数,再把该整数转换成原类型的指针,还可以得到原先的指针值)。
例子:
int i;
char *p = "hello";
i = reinterpret_cast<int>(p);
此时结果,i与p的值完全相同。reinterpret_cast的作用是将p的值以二进制(位模式)的方式被解释为整型,并赋给i。i也是指针,整型指针;一个明显的现象是在转换前后没有数位损失。



关于static_cast和reinterpret_cast的区别
class A {
    public:
    int m_a;
};
 
class B {
    public:
    int m_b;
};
 
class C : public A, public B {};
C c;
printf("%p, %p, %p", &c, reinterpret_cast<B*>(&c), static_cast <B*>(&c));
前两个的输出值是相同的,最后一个则会在原基础上便宜4个字节,这是因为static_cast计算了父子类指针转换的偏移量,并将之转换到正确的地址,而reinterpret不会做这一层的转换。
因此,需要谨慎使用reinterpret_cast.




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