12.3——类作用域,构造函数,友元,static类成员

类作用域:

(1)成员函数在类外定义时,因为函数体还有形参列表都出现在成员名之后,都是在类作用域内定义,所以不用加域作用符

       来引用其他的成员。

(2)函数的返回值不一定需要在类的作用域中,但是若是返回类中定义的类型,则必须完全加上域作用符来限定,如:

       class1::type1

(3)类作用域中的名字查找:首先在使用该名字的块中查找名字的声明,只考虑在该项使用之前声明的名字。若是找不到名字

       则在包围的作用域中查找。

构造函数:

(1)构造函数可以被重载,而实参将决定使用哪一个构造函数

(2)构造函数不能声明为const

(3)不管对象是否是const都可以用一个普通的构造函数来初始化它

(4)可以通过explicit来声明构造函数,以防止在需要隐式转换的上下文中使用构造函数。

(5)可以直接显示的进行类成员初始化

 4 class st
 5 {
 6 public:
 7     int a;
 8     int b;
 9 };
10 int main()
11 {
12     st sta={1,2};
13     cout<<sta.a<<' '<<sta.b<<endl;
14     system("pause");
15 }

 

友元:

(1)允许特定的非成员函数或者其他类来访问一个类的私有成员,同时仍阻止一般的访问,这时可以用到友元。友元可以在类中的任何

       地方声明。

 1 class class2
 2 {
 3 public:
 4     class2& func2()
 5     {cout<<"yanliang";}
 6 }
 7 void func()
 8 {cout<<"this is a function"}
 9 class class1
10 {
11     friend class class2;//将其它类声明为友元类
12     friend class2& class2::func2();//将其它类的成员函数声明为友元函数
13     friend void func();//将普通函数声明为友元函数
14 public:
15 };

static类成员:

(1)因为全局对象会破坏封装,即外部的用户都可以访问修改这个成员,所以才有静态类成员。

(2)static数据成员独立于该类的任意对象而存在,每个static数据成员是与类所关联的,并不与该类的某个对象关联

(3)类也可以定义static成员函数,它没有this指针,只能直接使用static成员,而不能直接使用非static成员。

(4)可以通过作用域操作符直接调用static成员,或者对象的指针,引用或本身间接调用。

static成员函数:

(5)static成员函数,不能被声明为const成员函数,因为它本身就不能和任何对象绑定

(6)static成员函数,不能声明为虚函数

static数据成员:

(7)static数据成员必须在类外定义(正好一次

(8)static数据成员不是通过构造函数初始化,而是通过定义时初始化

(9)const static 数据成员可以在类里面初始化这是上面一条的一个例外)

(10)非static数据成员不能用作默认实参,因为他的值不能脱离对象而存在,但是static数据成员可以作为默认实参

1 class class1
2 {
3 public:
4     class1(int s=b){}//将static数据成员作为默认实参
5 private:
6      static const int b=2;
7 };

转载于:https://www.cnblogs.com/yanliang12138/p/4710229.html

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