我翻译的文档----Symbian基本规范:代码效率

翻译自SDK » Developer Library » Symbian OS Guide » Essential idioms » Code efficiency
 
概要
速度和资源使用方面的代码效率总是值得关注的,本节提出的方法对Symbian平台的开发者来说是很常用的。
 
栈应用
应用程序中的每个线程都有一个8Kb的标准栈,应当小心地使用。因此:
Ø            除了基本类型避免值拷贝。
Ø            应该在堆上而不是栈上创建任何大的对象或数组。
Ø            通过适当的域最小化自动变量的生命周期。
最后一点可以通过下面的例子说明:
void ABadFunction()
{
    TBigObject Object1;
    TBigObject Object2;
    TBigObject Object3;
   
    GetTwoObjectValues(Object1,Object2);
    Object3=SumObjects(Object1,Object2);
    FunctionWithUnknownStackOverhead(Object3);
}
上面的代码中,对象Object1和Object2一直占用栈并贯穿到FunctionWithUnknownStackOverhead()的生命周期中,即使那时已不需要使用它们。它们应当在调用发生之前从栈上删除。可以用下面的方法实现:
void ABetterFunction()
{
    TBigObject Object1;
 
    GetTotalObjectValues(Object1);
    FunctionWithUnknownStackOverhead(Object1);
}
 
void GetTotalObjectValues(TBigObject &aObject)
{
    TBigObject Object1;
    TBigObject Object2;
 
    GetTwoObjectValues(Object1,Object2);
    aObject=SumObjects(Object1,Object2);
}
通过把代码分离到两个函数中,你可以确保栈的使用符合需求。
 
函数重载
如果一个函数有缺省参数并经常以缺省值进行调用,应当考虑提供一个没有参数的重载函数。这是因为每次提供缺省参数会使编译器在函数被调用的地方产生额外的代码。
例如有下面的函数:
void FunctionOne(TInt aInt=0);
在代码中经常以下面形式调用:
FunctionOne();
这时应考虑提供一个下面这样的函数:
void FunctionOne()
{
    FunctionOne(0);
}
 
指针和引用
使用引用做为函数参数比指针更有效率。这是因为编译器不得不维护空指针通过所有的转换。
假设一个类CXxx从混合类Myyy派生:
class CXxx : public CBase,public MYyy {...};
在传递一个CXxx指针到参数为Myyy指针的函数时,编译器不得不把把指针加上sizeof(CBase),除非这个指针为空。例如cp是一个CXxx指针并且Func()的参数为Myyy指针,在执行Func(cp)调用时就会像下面这样:
Func((MYyy* aM)(cp==NULL ? NULL : (TUint8*)cp+sizeof(CBase)));
因为引用不能为空,所以在使用时不用判断它是否为空。在ARM处理器上,CXxx*转换到MYyy*需要8条指令,但是CXxx&转换到MYyy&只需要2条指令。
 
浮点数运算
浮点数运算效率很低,因此有必要找出一种只使用整数运算的算法。
例如下面的例子,aTop和aBottom是Tint类型:
TReal a = (TReal)aTop;
TReal b = (TReal)aBottom;
TReal c = a/b;
TReal result;
Math::Round(result,c,0);
return (TInt)result;
可以换成下面效率更好的代码:
return((2*aTop+aBottom)/(2*aBottom));
 
内联函数
内联函数通过消除函数调用来提高代码的速度,并且保持它的模块化特征。然而在使用它之前需要确定两个问题:
Ø          代码简洁性:有限的存储资源意味着函数调用的开销要比使用很大的内联函数更好。
Ø          二进制兼容性:更改内联函数的实现会破坏程序的二进制兼容性。如果代码要被其他开发者使用这点是很重要的。
内联函数通常在下面的情况中使用:
Ø          取得和设置一到两个机器字的值,例如:
inline ConEnv() const { return iConEnv; };
Ø          T类的简单构造函数:
inline TPoint::TPoint(TInt aX, TInt aY) { iX=aX; iY=aY; };
Ø          在瘦模板中的用法:参考:SDK» Developer Library » Symbian OS Guide » Essential idioms » Thin templates
Ø          那些映射其它运算的函数,并且确定其中的运算符,函数或模板的定义不轻意改变,例如:
template <class T> inline T Min(T aLeft,T aRight)
{ return(aLeft<aRight ? aLeft : aRight); }
 
删除指针时不用做是否为空的判断
C++规定delete 0不做任何事,因此从不需要写下面类似的代码:
if (iX)
    delete iX;
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 1
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