Linux学习之"setjmp和longjmp函数"

转载:http://www.cnblogs.com/lq0729/archive/2011/10/23/2222117.html

setjmp和longjmp函数实现函数之间的跳转(需包含头文件" setjmp.h "):

函数原型: int setjmp(jmp_buf env);
  void longjmp(jmp_buf env, int val);
setjmp函数用于设置跳转的目的位置,longjmp函数进行跳转。
env:保留了需要返回的位置的堆栈情况。
setjmp的返回值:直接调用该函数,则返回0;若由longjmp的调用,导致setjmp被调用,则返回val (longjmp的第二个参数)。
1.longjmp对各类型参数的影响:
考虑下面这个程序:
复制代码
#include<iostream>
#include<setjmp.h>
#include<stdlib.h>
#include<stdio.h>

using namespace std;

jmp_buf jmpbuffer;

void g()
{
  cout << "in g()" << endl;

  longjmp(jmpbuffer, 2);
}

void f()
{
  cout << "in f()" << endl;

  g();

  cout << "leave f()" << endl;
}

int globval;

int main()
{
  int autoval;
  register int regival;
  volatile int volaval;
  static int statval;  

  cout << "begin" << endl;

  globval = 90;
  autoval = 91;
  regival = 92;
  volaval = 93;
  statval = 94;
  
  int i = setjmp(jmpbuffer);

  cout << "setjmp return code: " << i << endl;

  if(2 == i)
  {
    cout << "error code: "<< i << endl;

    cout << "globval= " << globval << "; ";
    cout << "autoval= " << autoval << "; ";
    cout << "regival= " << regival << "; ";
    cout << "volaval= " << volaval << "; ";
    cout << "statval= " << statval << "; " << endl;
    return 0;
  }

  globval = 0;
  autoval = 1;
  regival = 2;
  volaval = 3;
  statval = 4;

  cout << "globval= " << globval << "; ";
  cout << "autoval= " << autoval << "; ";
  cout << "regival= " << regival << "; ";
  cout << "volaval= " << volaval << "; ";
  cout << "statval= " << statval << "; " << endl;

  f();  

  return 0;
}
复制代码
在编译时禁止优化,输出结果如下:

使用O3优化编译,结果如下:

在非优化时,包括寄存器变量(register修饰)在内的所有类型都被存放在内存中,所以所有变量都是更改后的值。

在优化编译时,自动变量(默认类型)和寄存器变量被存储在寄存器中,其它变量与非优化时一样。所以autoval和regival都还原为原来的值。

附jmp_buf结构:

§
复制代码
typedef struct
          {
                  unsigned j_sp;  // 堆栈指针寄存器
                  unsigned j_ss;  // 堆栈段
                  unsigned j_flag;  // 标志寄存器
                  unsigned j_cs;  // 代码段
                  unsigned j_ip;  // 指令指针寄存器
                  unsigned j_bp; // 基址指针
                  unsigned j_di;  // 目的指针
                  unsigned j_es; // 附加段
                  unsigned j_si;  // 源变址
                  unsigned j_ds; // 数据段
          } jmp_buf; 
复制代码

保证局部变量在 longjmp过程中一直保存它的值的方法: 把它声明为volatile变量。(适合那些在 setjmp执行和 longjmp返回之间会改变的变量)。
存放在内存中的变量,将具有调用 longjmp时的值,而在 CPU和浮点寄存器中的变量则恢复为调用 setjmp函数时的值。
优化编译时, register和 auto变量都存放在寄存器中,而 volatile变量仍存放在内存。
2.用setjmp和longjmp实现C++异常处理(try/catch)
按 Ctrl+C 复制代码
按 Ctrl+C 复制代码
测试(.c文件):
复制代码
#include"head.h"
#include<setjmp.h>
#include<stdlib.h>
#include<stdio.h>

void g()
{
  printf("in g()\n");
  throw(32);
}

void f()
{
  printf("in f()\n");

  g();

  printf("leave f()\n");
}

int main()
{
  printf("begin\n");
  
  try
  {
      f();
  }
  catch(int a)
  {
      printf("in catch: %d\n", a);
  }  

  return 0;
}
复制代码
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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