C++ - STL

STL概念

 STL是C++标准库最重要的组成部分,STL即标准模板库,不仅是一个可复用的组件库,而且是一个包罗算法和数据结构的软件框架。

STL的六大组件

  • 容器 - 一些数据结构
  • 迭代器
  • 空间配置器
  • 适配器
  • 算法
  • 仿函数
以算法和容器为核心。


容器

  • 什么是容器
容器是用来存放数据的,因为现实中我们考虑到不同的应用场景,所以需要最合适的容器来存放数据。 
常见的数据结构:array、list、tree、stack、queue、hash table、map、set等,因此STL中的 容器便是对各种不同数据结构的封装。

  • 分类
根据数据在容器中的排序特性,容器分为 序列式容器关联式容器。
序列式容器:序列式容器中的元素次序:即是按照其加入容器中的先后次序,不一定有序,典型的就像vector,list
关联式容器:关联式容器中存放的是一个一个的键值对。 键值对其实是一个结构体,该结构体中有两个字段,一个为key,一个为value,key和 value具有一一对应的关系。因此关联式容器中实际存放的是键值对的结构体。典型的就像 avl树


适配器

  • 什么是适配器
适配器也是一种设计模式,这种模式是将一个类的接口转换成用户希望的另外一个接口。可以理解为将一个已经实现的类的结构包装为我们当前所需要的结构,就达到了适配的目的。
  • 有以下三种
  1. 容器适配器,比如stack和queue就是对 deque的接口进行了转调;
  2. 迭代器适配器,比如反向迭代器就是对迭 代器的接口进行了转调;
  3. 应用于仿函数的即函数适配器

栈和队列都是特殊的数据结构,因为要在特殊的位置进行插入和删除。
deque是双端队列,弥补了vector删除和插入时间复杂度大还有扩容的不足,同时也弥补了不能随机访问的缺点。
以上截图来源于cplusplus

迭代器

  • 概念
迭代器是一种抽象的设计概念,是设计模式的一种,其定义如下:提供一种方法,使之能够依次寻访某个容器中所包含的所有元素,而又无需暴露该容器底层的结构。
STL设计的中心思想在于: 将数据容器和算法分离开,彼此独立设计,算法要操作容器中的元素时,通过迭代器去访问即可。因此,算法不需要去关心所操作数据底 层的结构,只要能够按照迭代器去寻访到所需的数据即可,实现其通用性。

//现有一顺序表 vector<int> v,利用迭代器遍历顺序表的方法如下
vector<int>::iterator it = v.begin();
while(it != v.end())
{
    cout<<*it<<endl;
    ++it;
}

//现有一链表 list<int> l,利用迭代器遍历链表的方法如下
list<int>::iterator l = l.begin();
while(it != l.end())
{
    cout<<*it<<endl;
    ++it;
}

观察上述两个代码,遍历不同的数据结构,但是用了几乎一模一样的代码去完成的,其实顺序表的迭代器就是一个原生的指针,在完成解引用和++操作,链表的迭代器就是一个函数调用,当你解引用时,他会调用函数返回链表节点的data,当你++时,他会调用函数返回当前节点的next,这就是迭代器的优点,他并不把底层的实现告诉你,你只管使用就好了,这样做也降低了学习成本,更是体现了封装性。

仿函数

  • 什么是仿函数
仿函数:又叫函数对象,一种行为类似函数的对象,调用者可以向函数一样使用该对象。 其实现起来也比较简单:用户只需要实现一种新类型,在类中重载()即可,参数根据用户所要进行的操作选择匹配。

下面以冒泡排序举例
#include <iostream>
using namespace std;

template<class T>
class Less
{
public:
    bool operator()(const T& left,const T& right)
    {
        return left < right;
    }
};

template<class T>
class Greater
{
public:
    bool operator()(const T& left,const T& right)
    {
        return left > right;
    }
};

template<class T,class Com>
void BubbleSort(T* array,size_t size,Com Compare)
{
    for(size_t i = 0; i < size - 1; ++i)
    {
        bool flag = false;
        for(size_t j = 0; j < size - i - 1; ++j)
        {
            if(Compare(array[j],array[j+1]))
            {
                swap(array[j],array[j+1]);
                flag = true;
            }
        }
        if(flag == false)
            return;
    }
}

void PrintArr(int* array,size_t size)
{
    for(size_t i = 0; i < size; ++i)
    {
        cout<<array[i]<<" ";
    }
    cout<<endl;
}

int main()
{
    int arr[] = {5,4,6,3,9,1,2,5,8,0};
    BubbleSort<int>(arr,sizeof(arr)/sizeof(arr[0]),Less<int>());
    PrintArr(arr,sizeof(arr)/sizeof(arr[0]));
    BubbleSort<int>(arr,sizeof(arr)/sizeof(arr[0]),Greater<int>());
    PrintArr(arr,sizeof(arr)/sizeof(arr[0]));
    return 0;
}

这时候的排序结果会根据所传入的函数进行排序。

算法

  • 什么是算法
算法是以有限的步骤,解决数学或逻辑中的问题。 算法只关心操作的步骤,与数据的结构没有任何 的关系,而且STL在设计时就有一个目标,就是算法 可复用效率要尽可能的高。STL中 收录了极具复用价值的70多个算法,包括:排序,查找,排列组合,数据移动,拷贝, 删除,比较组合,运算等。

举一个用sort算法排序的例子
#include <iostream>
using namespace std;
#include <algorithm>
#include <vector>

void PrintVector(vector<int> v)
{
    vector<int>::iterator it = v.begin();
    while(it != v.end())
    {
        cout<<*it<<" ";
        ++it;
    }
    cout<<endl;
}

void test_sort()
{
    vector<int> v;
    for(size_t i = 0; i < 50; ++i)
    {
        v.push_back(rand()%100);
    }
    cout<<"before sort"<<endl;
    PrintVector(v);
    sort(v.begin(),v.end(),less<int>());
    cout<<"after sort"<<endl;
    PrintVector(v);
}

int main()
{
    srand((unsigned)time(NULL));
    test_sort();
    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