虚函数练习 多态理解 动态绑定

把自己的练习代码在此做个记录,希望对部分朋友有帮助。
至于结果,就不贴上来了,想研究的自己粘下来到vc6.0里面去试一下
看来 虚函数表 虚函数表指针 this指针 这几个之间关系还是比较微妙的。
下面一段话是一个高手写的,结合我的这段代码理解,会更有意思
高手曰:
编译器发现一个类中有虚函数,便会立即为此类生成虚函数表  vtable。虚函数表的各表项为指向对
应虚函数的指针。编译器还会在此类中隐含插入一个指针vptr(对vc编译器来说,它插在类的第一个位
置上)指向虚函数表。调用此类的构造函数时,在类的构造函数中,编译器会隐含执行vptr与vtable的
关联代码,将vptr指向对应的vtable。另外在调用类的构造函数时,
指向基础类的指针此时已经变成指向具体的类的this指针,这样依靠此this 指针即可得到正确的vtable。
如此才能真正与函数体进行连接,这就是动态联编,实现多态的基本原理。
 
下面 上代码:
// latebinding.cpp : Defines the entry point for the console application.
//

#include "stdafx.h"
#include <iostream.h>

class animal
{
public:
	void sleep()
	{
		cout<<"animal sleep"<<endl;
	}
	virtual	void breathe()
	{
		cout<<"animal breathe"<<endl;
	}
};
class dog
{
	void sleep()
	{
		cout<<"dog sleep"<<endl;
	}

};

class fish:public animal
{
public:
	fish()
	{	
		cout<<"this指针的地址:" << (int*)(this) <<endl;
	}

	void breathe()
	{
		cout<<"this指针的地址:" << (int*)(this) <<endl;
		cout<<"fish bubble"<<endl;
	}
};


typedef void(*Fun)(void);

int main(int argc, char* argv[])
{
	printf("Hello World!\n");
	Fun pFun = NULL;
	int i = sizeof(dog);
	i = sizeof(animal);
	animal aaaa;	
	fish fh;
	cout << "虚函数表地址:" << (int*)(&fh) << endl; 
	cout << "虚函数表 - 第一个函数地址:" << (int*)*(int*)(&fh) << endl; 
	// Invoke the first virtual function 
	pFun = (Fun)*((int*)*(int*)(&fh)); 
	pFun(); 

// 	dog dg;
// 	int j = sizeof(fh);
// 	j = sizeof(dg);		
// 	animal *pAn=&fh; // 隐式类型转换
// 	pAn->breathe();//fish bubble	
// 	fish *pFish=&fh; // 隐式类型转换
// 	pFish->breathe();//fish bubble	   
// 	animal an;
// 	animal bn; 
// 	fish *pFh = (fish *)&an;
// 	pFh->breathe();//animal breath

	return 0;
}


 

  • 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
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