初学者(我)对虚基类的一点疑惑

首先假定有这样一个状况,有一个基类A(里面有共有数据成员int a),它派生了两个类B1(里面暂时什么也没有),B2(同B1),B1和B2又共同派生了C。现在,我在C中定义一个函数,试图调用A类成员int a,但是这个时候,由于继承的关系,B1继承了A中的int a,同理B2也是,那么C类岂不是继承了B1中继承的A中的int a,也继承了B2中的?!这个时候,如果我单纯地去调用a,那么编译器也会提示二义性的问题。这个时候也就是虚基类,虚继承起作用的时候了。看下面的一段代码:

#include<iostream>
using namespace std;
class A
{
public:
    int a;
};

class B1:virtual public A
{
public:
    void display(){cout<<a<<endl;}
private:
    int b1;
};

class B2:virtual public A
{
public:
    void display(){cout<<a<<endl;}
private:
    int b2;
};


class C:public B1,public B2
{
public:
    C(){a=1;}
    void display(){cout<<a<<endl;}
};

int main()
{
    C i3;
    i3.display();
    return 0;
}

下面是产生疑惑的代码:


#include<iostream>
using namespace std;
class A
{
public:
    int a;
};

class B1:virtual public A
{
public:
    B1(){a=1;}
    void display(){cout<<a<<endl;}
private:
    int b1;
};

class B2:virtual public A
{
public:
    B2(){a=2;}
    void display(){cout<<a<<endl;}
private:
    int b2;
};


class C:public B1,public B2
{
public:
    void display(){cout<<a<<endl;}
};

int main()
{
    B2 i2;
    B1 i1;  
    i1.display();
    i2.display();
    C i3;
    i3.display();
    return 0;
}


我给B1,B2都加了构造函数来初始化a,程序结果是依次输出1,2,2(在主函数中调换B1,B2位置也是如此),那么这说明C类对象保留那份a是来自B2构造函数弄出来的。

当我试着对C类进行如下修改:

class C:public B2,public B1   //调换了一下顺序
{
public:
    void display(){cout<<a<<endl;}
};

结果是依次输出1,2,1,这说明C类对象保留那份a是来自B1构造函数弄出来的,那个顺序到底是怎么回事?


灵机一闪,如果这样解释:第一个问题中的“C类对象保留那份a是来自B2构造函数弄出来”,这个是因为C中合成的构造函数先调用了B1的再调用B2的,而第二个也同理,按照顺序,那么就讲得通了。。。。。。暗骂自己真傻。。。。


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