boost库中program_opition的使用

1 篇文章 0 订阅
0 篇文章 0 订阅

    在写程序的时候,我们经常需要传放一些参数,或者通过配置文件传入一些参数,program_opition库为我们提供了一个简单而实用的解决方案,避免了每次写console程序时重复写命令解析的代码。

    下面以一个常见的需求为例来简单说明一下此库的用法。

    程序regist需要一个配置文件client.conf,里面存储了一些启动参数。启动程序的时候,我们也希望可以在命令行中指定一些参数,并且如果这些参数也在配置文件中出现,那么以命令行中的值为标准。



#include <fstream>
#include <string>
#include <boost/program_options/variables_map.hpp>
#include <boost/program_options.hpp>
#include <boost/program_options/parsers.hpp>
#include <boost/program_options/options_description.hpp>

namespace po = boost::program_options;

using std::string;
using std::cout;
using std::endl;
using std::ifstream;

int main(int argc, char** argv) {
    po::options_description desc("Allowed options");
    string clientType;
    desc.add_options()
        ("serverRealIP", po::value<string>(), "real ip of the server")
        ("clientType", po::value<string>(&clientType), "the type of client");
    
    po::variables_map vm;
    ifstream confFile("client.conf");
    po::store(po::parse_command_line(argc, argv, desc), vm);
    po::store(po::parse_config_file(confFile, desc, true), vm);
    po::notify(vm);
    
    if(vm.count("serverRealIP"))
        cout<<"serverRealIP: "<<vm["serverRealIP"].as<string>()<<endl;
    cout<<"clientType: "<<clientType<<endl;
    return 0;
}



client.conf 配置文件内容如下

#this is comment

serverRealIP=211.65.xx.xx

serverVPNIP=192.168.xx.xx

registDaemonPort=9999

#the client type

clientType=dom0

执行程序

./regist   

输出 

serverRealIP: 211.65.xx.xxclientType: dom0

带参数 ./regist --serverRealIP 192.168.100.1 --clientType dom1

输出

serverRealIP: 192.168.100.1clientType: dom1

可以看到解析出来的值换成了命令行给的值。

下面对程序做一点简单说明:

options_description用来存储配置中出现的键值对的容器,使用 add_options()方法加入新的键值对的描述。

variables_map用来存储最后的结果。

store方法将解析出来的键值对保存进variable_map,注意,如果一个键在vm中已经存在了,那么再次出现的时候,其值不会改变,依旧以原来的为准。所以两次调用store方法时,先将命令行的结果存入了vm,这样对在命令行和配置文件中都出现的键,其值以命令行为准。

对于结果的读取有两种方法

一种是像代码中werverRealIP的读取,当存在时,调用vm["serverRealIP"].as<string>() 来取得, as<T>中的T为值的类型,由库已经做好了转换。

另一种如代码中的clientType,在调用add_opitions方法时,即传入了clientType变量,做为保存值的变量,这样,当找到了其值的时候,就自动存入此变量中。

还有其他更多复杂用法,请参考官方文档

 

                
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