Effective C++ Item 43 学习处理模板化基类内的名称

本文为senlie原创。转载请保留此地址:http://blog.csdn.net/zhengsenlie


经验:可在derived class templates 内通过 "this->" 指涉 base class templates 内的成员名称,或藉由一个明确写出的 "base class 资格修饰符"完毕。


演示样例:

class CompanyA{
public:
	//...
	void sendCleartext(const std::string &msg);
	void sendEncrypted(const std::string &msg);
	//...
};


class CompanyB{
public:
	//...
	void sendCleartext(const std::string &msg);
	void sendEncrypted(const std::string &msg);
	//...
};


class CompanyZ{ //这个 class 不提供 sendCleartext 函数
public:
	//...
	void sendEncrypted(const std::string &msg);
	//...
};


class MsgInfo {...}; 
template<typename Company>
class MsgSender{
public:
	//...
	void sendClear(const MsgInfo &info){
		std::string msg;
		Company c;
		c.sendCleartext(msg);
	}
	void sendSecret(const MsgInfo &info){
		//...
	}
};


template<> //一个全特化的 MsgSender;它和一般 template 同样。区别仅仅在于它删掉了 sendClear
class MsgSender<CompanyZ>{
public:
	//...
	void sendSecret(const MsgInfo &info){...}
};


template<typename Company>
class LoggingMsgSender: public MsgSender<Company>{
	//...
	void sendClearMsg(const MsgInfo &info){
		将”传送前“的信息写到 log
		sendClear(info); //调用 base class 函数,这段码无法通过编译。由于全特化的版本号里没有 sendClear 这个函数
		将”传阅后”的信息写到 log
	}
	//...
};


解析:C++知道 base class templates 有可能被特化。而那个特化版本号可能不提供和一般性 template 同样的接口,
因此它往往拒绝在 templatized base classes内寻找继承而来的名称


纠正1:在 base class 函数调用动作之前加上 this->
template<typename Company>
class LoggingMsgSender: public MsgSender<Company>{
	//...
	void sendClearMsg(const MsgInfo &info){
		将”传送前“的信息写到 log
		this->sendClear(info); //
		将”传阅后”的信息写到 log
	}
	//...
};

纠正2:使用 using 声明式
template<typename Company>
class LoggingMsgSender: public MsgSender<Company>{
	//...
	using MsgSender<Company>::sendClear;
	void sendClearMsg(const MsgInfo &info){
		将”传送前“的信息写到 log
		sendClear(info); //
		将”传阅后”的信息写到 log
	}
	//...
};

纠正3:指出被调用的函数位于 base class 内
template<typename Company>
class LoggingMsgSender: public MsgSender<Company>{
	//...
	void sendClearMsg(const MsgInfo &info){
		将”传送前“的信息写到 log
		MsgSender<Company>::sendClear(info); //不太好。关闭了 "virtual 绑定行为"
		将”传阅后”的信息写到 log
	}
	//...
};

解析:上面的每一解法做的事情都同样:对编译器承诺"base class template"的不论什么特化版本号都将支持其一般版本号所提供的接口。


但假设这个承诺未能被实践出来,编译器还是会报错的。


演示样例:

LoggingMsgSender<CompanyZ> zMsgSender;
MsgInfo msgData;
zMsgSender.sendClearMsg(msgData); //error


转载于:https://www.cnblogs.com/zhchoutai/p/6727537.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,以最小损失函数。 11. **正则(Regularization)**:技术如 Dropout、L1/L2 正则等,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