Effective C++——》条款7:为多态基类声明virtual析构函数 .

严格来说,多态分为编译时多态运行时多态编译时多态是函数的重载,而运行时多态则是迟绑定技术,即根据基类指针或引用的实际指向来决定采取何种行动一般来说,多态特指运行时多态。下面我们来举有关C++多态的一个简单例子:

 1 class Shape
 2 {
 3 private:
 4          int color;
 5 public:
 6          virtual void print() = 0;
 7 };
 8 
 9  
10 class Circle: public Shape
11 {
12 private:
13          double radius;
14 public:
15          void print(){cout << "This is a Circle" << endl;}
16 };
17 
18 class Square: public Shape
19 {
20 private:
21 
22          double length;
23 public:
24          void print(){cout << "This is a Square" << endl;}
25 };

多态前提是继承,如上面这个例子,Shape是基类,它有一个所有形状都具有的属性:颜色。Circle和Square派生自Shape,它们都有颜色的属性,但同时Circle还有半径的属性,Square有边长的属性。这里print()函数是一个有多态行为的函数,比如:

1 Shape *p1 = new Square;
2 p1->print(); // 这时的运行结果就是“This is a Square”
3 
4 Shape *p2 = new Circle;
5 p2->print(); // 这时的运行结果就是“This is a Circle”

但这里会有一个问题,如果接下来操作:

delete p1;
delete p2;

就会出现内存的泄露,为什么会这样?因为Shape没有显式定义析构函数编译器为我们生成的析构函数不是虚的,这时候delete p1,编译器就简单地析构了基类的部分,派生类的部分就被架空了,造成了内存的泄露。解决方法是这样:

1 class Shape
2 {
3 private:
4          int color;
5 public:
6          virtual void print() = 0;
7          virtual ~Shape(){}
8 };

有了virtual关键字,析构时就会检查指针实际指向的对象,也就会先定位到相应的派生类,完成派生类的析构之后,再析构基类。那么是怎么“检查”指针实际指向的对象呢?C++为每个含有virtual关键字类中提供了一个虚表指针vptr,它指向一个由函数指针构成的数组,称为虚表。程序在运行时会维护类对象中的vptr,比如:

Shape *p1 = new Square;

vptr就会指向Square的print()函数。

那是不是为了安全起见,将所有的析构函数都加上virtual呢?这样的确可以防止多态过程中析构造成的内存泄露,

 

但同时也有问题,即一旦出现了virtual,编译器就会生成vptr,这个vptr本身是要占空间的,对于一个并不大的类而言,vptr所占空间(32位机上是4字节,64位机上是8字节)的百分比还是很可观的。所以virtual要相时而加,出现多态继承关系时一定要加上,而非基类或者不用于多态的基类(比如条款6说的Uncopyable)就不要加

 

另外,所有的STL,包括string,vector等等,在设计时就没把它们当作基类,所以它们的析构函数都不是虚函数,因此试图定义一个类去继承STL是非常危险的!

 

再回过头来看之前的例子:

1 class Shape
2 {
3 private:
4          int color;
5 public:
6          virtual void print() = 0;
7          virtual ~Shape(){}
8 };

注意到基类的print()函数不仅仅是虚的(含有virtual关键字),而且这个函数还是纯虚函数(有“=0”),纯虚函数所在的类是抽象类,是不能定义对象的,比如:

Shape obj;

就不能通过编译。使不想生成对象的类成为抽象类,这是一个很好的技术实现方案,但万一有时候难以找到一个纯虚函数,怎么办呢?自己强行加一个像print()一样的函数固然是可以的,但不自然,一个好的方法是把它的析构函数变成纯虚函数,像这样:

1 class Shape
2 {
3 private:
4          int color;
5 public:
6          virtual ~Shape() = 0;
7 };

问题算是解决一半了,还有一个问题,编译器会在Shape派生类的析构函数中创建一个对~Shape()的调用动作,如果不实现这个~Shape(),链接器会报错,一个解决方案就是简单地加上括号,像这样:

1 class Shape
2 {
3 private:
4          int color;
5 public:
6          virtual ~Shape() = 0{};
7 };

好了,这下Shape既成了抽象类(不能拥有对象),也能在继承链中妥善地处理析构的内存问题。

 

总结一下:

(1)     带有多态性质的基类应该声明一个virtual析构函数。如果class带有任何virtual函数,它就应该拥有一个virtual析构函数

 

(2)     若一个类不作为基类,或者不具备多态性(比如Uncopyable),就不该声明virtual析构函数

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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