(十一)异常处理,函数模板,类模板

(十一)异常处理,函数模板,类模板
2016.7.4

1.异常处理

#include <iostream>

using namespace std;
int func1(int n1,int n2){
    if(n2==0)
    {   throw "f";}
    else

        return n1/n2;

}
void func2(int n1,int n2){//函数调用函数异常依然可以抛出。
    func1(n1,n2);}
void  func3() throw(int ,float){//抛出异常类型为int,float.
}
void func4(){//可抛出任何异常。
}
void func5() throw(...){//可抛出任何异常。
}
void func6() throw (){//不抛出任何异常。
}
int main(int argc, const char * argv[]) {
    int num1=200;
    int num2=0;
    try{
        //存放有可能发生错误的代码。
        //func1(num1,num2);
        func2(num1,num2);
    }//try与catch之间不能有其他代码。
    catch(const char *error){//catch只能有一个参数。
        cout<<"出现异常"<<endl;
        cout<<error<<endl;
    }
    catch(int error){
        cout<<"出现整型异常"<<endl;
        cout<<error<<endl;
    }
    catch(...){//default      要写时,要把它放最后。放最前报错。
        //...的好处:能匹配任何类错误。
        //...的弊端:不能判断出错误的类型。
        cout<<"发生错误"<<endl;
    }

        return 0;
}

2.函数模板

#include <iostream>
using namespace std;
/*
 函数模板:函数参数不同,函数实现相似,通用函数被称为函数模板
 模板关键字:templaate
 */

//第一层封装
void func1(int *array,int size){
    cout<<""<<endl;
    for(int i=0;i<size;i++)
    {
        cout<<array[i];
    }
}
//函数:参数类型确定,值不确定。
//函数模板;参数类型不确定,值也不确定。
template <class T>
void func4(T *array ,int size){
    for(int i=0;i<size;i++)
        cout<<array[i];
    cout<<endl;
}

template <class M,class N,class K>//一个模板只能绑定一个函数。
//函数模板可以有多个未实例化参数。
void func5(M n1,N n2,K n3){

    if(n1>n2)
        cout<<(n3>n1?n3:n1)<<endl;
    else
        cout<<(n3>n2?n3:n2)<<endl;


}
/*
 类模板
 */
template <class P>
class point {
private:
    P a;
public:
    point(P _a){
        a=_a;
    }
    void print();
};
template <class P>      //在类模板中每一个成员函数都是函数模板。
void point<P>::print()  //请注意成员函数的书写格式。
{
    cout <<a<<endl;
}

int main(int argc, const char * argv[]) {

    const int max=5;
    int array1[max]={6,7,8,9,0};
    char array2[max]={'a','s','d','f','g'};
    float array3[max]={1.2f,1.3f,1.4f,1.5f,1.6f};

    func4(array1, 5);//函数模板。
    func4(array2, 5);
    func4(array3, 5);

    int n1=1;
    int n2=3;
    int n3=3;

    float f1=1.1f;
    float f2=1.2f;
    float f3=1.3f;

    char c1='a';
    char c2='r';
    char c3='k';

    func5(n1,n2,n3);//求最大值。
    func5(f1, f2, f3);//只有一种类型的参数。
    func5(c1,c2,c3);
    func5(n1,f1,c1);//多种类型的参数。

    point<int> p(3);//类模板构造对象,用int来实例化P。
    p.print();

    return 0;
}

3.类模板

#include <iostream>
using namespace std;
template <class T>
class Stack {
private:
    int size;
    int top;
    T * stackPtr;
public:
    Stack(int s=10);
    ~ Stack();
    int push(const T&);
    int pop( T&);
    int isEmpty()const;
    int isFull()const;
    void printOn(ostream& output);
};
template <class T>
Stack<T>::~Stack(){
    delete [] stackPtr;
}
template <class T>
 Stack<T>::Stack(int s){
    size=s;
    top=-1;
    stackPtr=new T[size];
}
template <class T>
int Stack<T>::push(const T& item)
{
    if(!isFull())
    {
        stackPtr[++top]=item;
        return 1;
    }
    return 0;
}
template <class T>
int  Stack<T>::pop(T& item)
{
    if(!isEmpty())
    {
        item =stackPtr[top--];
        return 1;
    }
    return 0;
}
template <class T>
int Stack<T>::isEmpty()const
{
    return top==-1;
}
template <class T>
int Stack<T>::isFull()const
{
    return size==-1;
}
template<class T>
void Stack<T>::printOn(ostream & output)
{
    output<<"Stack(";
    for(int i=0;i<=top;i++)
       output<<stackPtr[i]<<",";
    output<<")\n";
}
int main(int argc, const char * argv[]) {

    Stack<int> stack;
    for(int i=0;i<5;i++){
        stack.push(i*10);
    }
    stack.printOn(cout);
    std::cout << "Hello, World!\n";
    return 0;
}
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