C++标准程序库笔记(1)

C++及其标准程序库简介
1、template
例子:

template <class T>
inline const T& max(const T& a, const T& b)
{
    return a<b?b:a;
}

Default Template Parameters

template <class T, class container = vector<T> >    //需要有空格

typename
typename 指定为类型
例子:

template <class T>
class MyClass{
    typename T::SubType *ptr;
};

typename 指定SubType为一种类型名,否则当做变量名来使用
条件是T中有SubType类型例如typedef int SubType
因此C++的一般规则是,除了以typename修饰外,template内的任何标识符都被视为一个变量而非类别

Member Template
例子:

class MyClass{
    template <class T>
    void f(T);
};

2、基本类型的显式初始化
如果采用不含参数的,明确地构造函数调用,基本类别会被初始化为0

int i1;     //不确定的值
int i2 = int();   //初始化为0

3、异常处理
通过异常处理,C++标准程序库可以在不“污染”函数接口(即参数和返回值)的情况下处理异常。

class Error;
void f()
{
    if(异常情况){
        throw Error();  //创建对象并作为参数抛出
    }
}
//此时程序不会跳转,但是会调用catch
int main()
{
    try{
        f();
    }
    catch(const Error&){
        //handle
    }
}

4、命名空间
using namespace std;
using std::cout; //using declaration 将cout引入到当前域中,等价与在当前域中定义cout

5、bool类型
6、关键字explicit
禁止“单参数构造函数“被用于自动类型转换
例子:

class Stack{
    explicit Stack(int size);
}

Stack s = 40;       //如果没有explicit则可以赋值,如果有则出错
Stack s(40);        //OK

7、新的类型转换操作符
static_cast 利用原值重建一个临时对象,并在设立初值时使用类型转换
没有运行时类型检查来保证转换的安全性。它主要有如下几种用法:
  ①用于类层次结构中基类(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)是安全的;
  进行下行转换(把基类指针或引用转换成派生类表示)时,由于没有动态类型检查,所以是不安全的。
  ②用于基本数据类型之间的转换,如把int转换成char,把int转换成enum。这种转换的安全性也要开发人员来保证。
  ③把空指针转换成目标类型的空指针。
  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、或者__unaligned属性。

例子:
    cout<< static_cast<int>(x); //print x as int
    f(static_cast<string>("hello"));    //call f() for string instead of char*

dynamic_cast主要用于类层次间的上行转换和下行转换,还可以用于类之间的交叉转换。

  在类层次间进行上行转换时,dynamic_cast和static_cast的效果是一样的;

  在进行下行转换时,dynamic_cast具有类型检查的功能,比static_cast更安全。
例子:

    class Car;
    class Cab:public Car{};
    Car *cp;
    Cab *p = dynamic_cast<Cab*>(cp);
    //相当于动态多态的转换
const_cast
//设定或去除类型的常数性,亦可去除volatile饰词,
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的类型是一样的。

  常量指针被转化成非常量指针,并且仍然指向原来的对象;

  常量引用被转换成非常量引用,并且仍然指向原来的对象;常量对象被转换成非常量对象。
reinterpret_cast
reinterpret_cast通常为操作数的位模式提供较低层的重新解释.
C++中的reinterpret_cast主要是将数据从一种类型的转换为另一种类型。所谓“通常为操作数的位模式提供较低层的重新解释”也就是说将数据以二进制存在形式的重新解释。比如:
  int i;
  char *p = “This is a example.”;
  i = reinterpret_cast(p);
//注意这些操作符都只接受一个参数
例子:static_cast(15,100)等价于static_cast(100)

8、常数静态成员的初始化
现在能再class声明中对整数型常数静态成员直接赋初值
例子:

class MyClass{
        static const int num = 100;
        int elems[num];
    };
    //在外界需要为其定义一个空间
    const int MyClass::num;

9、main()的定义式
只有两种main()是可移植的

    int main()
    {
    }
    int main(int argc, char* argv[])
    {
    }
C++在main()的末尾定义了一个隐式的return 0;
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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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