C++::My Effective C++

苔花如米小,也学牡丹开。

为局部变量初始化是一个好的习惯

为只有“一条语句”的代码段使用大括号括起来

#define FAIL(msg)\
    std::ostringsteam oss;\
    oss << msg;\
    throw exception(oss.str());
if (y == 0)
    FAIL("除数不能为0")

这里的FAIL("除数不能为0")看似是一条语句其实是多条语句,在不使用化大括号的情况下,if的势力范围只有一条语句,对本例而言,也就是std::ostringstream oss;。这时编译器就会报错,无法识别oss

简单的双分支if判断可以改造为三目运算符

if (x % 2 == 0)
{
    return true;
}
else
{
    return false;
}

改写为:

return x % 2 == 2 ? true : false;

思维上视boost::shared_ptr<T>类型对象的“真正”类型为T*

思维上视boost::shared_ptr<T>的真正类型为T*,这样可减少思维的转换过程。邹欣老师说过,要把智力消耗在真正值得思考的事情上去,而不是低层次的仅靠记忆便可解决的事情上来。

操纵boost::shared_ptr<T>类型对象如同操纵T*。中间不必做任何任何思维和行为上的转换。不仅如此,boost::shared_ptr<T>能够在必要的时刻对创建在heap上的对象做销毁操作。

protected vs private

一般而言用于继承关系的基类或者存在virtual函数的基类,它们的成员变量是protected修饰的,不做为基类或者说不存在virtual函数的基类,它们的成员变量都是private的。道理很简单,被protected修饰的成员变量,可以继续被派生类访问。

牵涉到元素的拼接时,优先选用的容器是list

  • 在所有的容器中,只有list具有把元素从一处链接到另一处而不需要拷贝任何数据的能力

  • list的客户之所以选择使用list,也恰是因为它提供了高效的链接(splice)操作,对应与list的成员函数splice

  • 何谓高效:把一个区间从一个list链接到另一个list可通过常数时间完成。

list的splice成员函数可以将list2的任意区间的元素链接到list1的任意一个位置(作为起始处)

int main(int, char**)
{
    list<int> l1{0, 1, 2, 3, 4}, l2(l1);
    // l2的[2, 4]之间的所有元素链接到l1的末尾
    l1.splice(l1.end(), l2, find(l2.begin(), l2.end(), 2), 
                    find(l2.rbegin(), l2.rend(), 4).base());
    // l2的[2, 4]之间的所有元素链接到l1元素为3的位置之前
    l1.splice(find(l1.begin(), l2.end(), 3), l2,
        find(l2.begin(), l2.end(), 2), find(l2.begin(), l2.end(), 4));
    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

打赏作者

五道口纳什

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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