C# 自定义异常的总结

23 篇文章 0 订阅
16 篇文章 0 订阅

 在C#中所有的异常类型都继承自System.Exception,也就是说,System.Exception是所有异常类的基类. 总起来说,其派生类分为两种:
   1. SystemException类: 所有的CLR提供的异常类型都是由SystemException派生。
   2. ApplicationException类: 由用户程序引发,用于派生自定义的异常类型,一般不直接进行实例化。

   创建自定义异常类应严格遵循几个原则
1. 声明可序列化(用于进行系列化,当然如果你不需要序列化。那么可以不声明为可序列化的)
2. 添加一个默认的构造函数
3. 添加包含message的构造函数
4. 添加一个包含message,及内部异常类型参数的构造函数
5. 添加一个序列化信息相关参数的构造函数.

[csharp]  view plain copy
  1. using System;  
  2. using System.Collections.Generic;  
  3. using System.Linq;  
  4. using System.Text;  
  5. using System.IO;  
  6. using System.Runtime.Serialization.Formatters.Binary;  
  7. namespace ConsoleApplication3  
  8. {  
  9.     [Serializable] //声明为可序列化的 因为要写入文件中  
  10.     public class PayOverflowException : ApplicationException//由用户程序引发,用于派生自定义的异常类型  
  11.     {  
  12.         /// <summary>  
  13.         /// 默认构造函数  
  14.         /// </summary>  
  15.         public PayOverflowException() { }  
  16.         public PayOverflowException(string message)  
  17.             : base(message) { }  
  18.         public PayOverflowException(string message, Exception inner)  
  19.             : base(message, inner) { }  
  20.         //public PayOverflowException(System.Runtime.Serialization.SerializationInfo info,  
  21.         //    System.Runtime.Serialization.StreamingContext context)  
  22.         //    : base(info, context) { }  
  23.     }  
  24.   
  25.     internal class Employee  
  26.     {  
  27.         public int ID { getset; }  
  28.         public string Name { getset; }  
  29.         /// <summary>  
  30.         /// current pay  
  31.         /// </summary>  
  32.         public int CurrPay { getset; }  
  33.   
  34.         public Employee() { }  
  35.         public Employee(int id, string name, int currpay)  
  36.         {  
  37.             this.ID = id;  
  38.             this.Name = name;  
  39.             this.CurrPay = currpay;  
  40.         }  
  41.   
  42.         /// <summary>  
  43.         /// 定义一个GiveBunus的虚方法以供不同的派生类进行重载  
  44.         /// </summary>  
  45.         /// <param name="amount">奖金额度</param>  
  46.         public virtual void GiveBunus(int amount)  
  47.         {  
  48.             //用一个临时变量记录递增之前的值  
  49.             var pay = CurrPay;  
  50.   
  51.             this.CurrPay += amount;  
  52.   
  53.             if (CurrPay > 10000)  
  54.             {  
  55.                 //发生异常,将CurrPay的值进行恢复,  
  56.                 //并抛出异常,外部程序捕获次异常  
  57.                 this.CurrPay = pay;  
  58.                 var ex = new PayOverflowException("The employee's max pay should be no more than 10000.");  
  59.                 throw ex;  
  60.             }  
  61.         }  
  62.     }  
  63.   
  64.     class Program  
  65.     {  
  66.         static void Main(string[] args)  
  67.         {  
  68.             Console.WriteLine("**** 创建Employee对象,并用try/catch捕获异常 *****");  
  69.   
  70.             var emp = new Employee(10001, "Yilly", 8000);  
  71.             try  
  72.             {  
  73.                 emp.GiveBunus(3000);  
  74.             }  
  75.             catch (PayOverflowException ex)  
  76.             {  
  77.                 Console.WriteLine("异常信息:{0}\n发生于{1}类的{2}方法", ex.Message,  
  78.                     ex.TargetSite.DeclaringType, ex.TargetSite.Name);  
  79.   
  80.                 try  
  81.                 {  
  82.                     var file = new FileStream(@"c:\customerexception.txt", FileMode.Create);  
  83.                     //*** 异常信息写入文件中的代码省略...  
  84.                     //以序列化方式写入  
  85.                     BinaryFormatter bf = new BinaryFormatter();  
  86.                     bf.Serialize(file, ex);  
  87.                     file.Close();  
  88.   
  89.                     //以字节方式写入  
  90.                     //byte[] buffer = System.Text.Encoding.Default.GetBytes(ex.Message);  
  91.                     //int leng = 0;  
  92.                     //leng = buffer.GetLength(0);  
  93.                     //file.Write(buffer, 0, leng);  
  94.                     //file.Close();  
  95.                 }  
  96.                 catch (Exception ex1)  
  97.                 {  
  98.                     var inner = new PayOverflowException(ex.Message, ex1);  
  99.                     throw inner;  
  100.                 }  
  101.             }  
  102.   
  103.         }  
  104.     }  
  105. }  

 值得注意的是:在实例化的时候调用的是PayOverflowException(string message, Exception inner)构造函数,
 如果本程序如果有其他程序在调用的时候, 可以通过.InnerExcetpion的Message属性进行查看内部异常。


原文链接:http://blog.csdn.net/wangweitingaabbcc/article/details/6851717

【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。
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
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