第六章:Initialization & Cleanup

第六章:Initialization & Cleanup
 
Guaranteed initialization with the constructor
通过constructor保证initialization
 
Guaranteed cleanup with the destructor
通过destructor保证cleanup
对象跑出作用域({})时会自动析构,即便是goto出作用域也会析构,但
nonlocal goto(如setjmp() and longjmp())时析构函数不会被调用
 
Elimination of the definition block
在C++里,定义不总是需要在头部,变量应该在需要时才进行定义.
 
for loops
for后括号内定义的变量的作用域是紧随for的{}内
 
Storage allocation
空间分配:虽然c++的变量可以不再头部定义,在需要时再定义,但一般情况下
c++采取了和C一样的空间分配策略,在一开始就分配了全部空间.在作用域内
{},变量的定义与否是确定的,变量总是能被定义或不被定义,否则c++编译器或
发出警告或报告错误
如:
  if(i < 10) {
   //! goto jump1; // Error: goto bypasses init
  }
  X x1;  // Constructor called here
 jump1:
... ...
 
Aggregate initialization
数组时同一类型的,class和struct是不同类型的聚合.
数组可以如下初始化:
int a[5] = { 1, 2, 3, 4, 5 }; // 逐个初始化
int b[6] = {0}; // 第一个正常初始化,其余初始化为0
int c[] = { 1, 2, 3, 4 };
数组元素个数计算: sizeof(array) / sizeof(*array)
C中的结构体元素是public的,一般可以如下初始化
struct X {
  int i;
  float f;
  char c;
};
X x1 = { 1, 2.2, 'c' };
c++里面,struct和class基本一样,它们的初始化应该采用构造函数,如下:
struct Y {
  float f;
  int i;
  Y(int a);
};
Y y1[] = { Y(1), Y(2), Y(3) };
 
Default constructors:默认构造函数
struct和class要使用合适的构造函数进行初始化
Y y2[2] = { Y(1) }; // 报错,找不到合适的构造函数
Y y3[7]; // 报错,同上
Y y4; // 报错,同上
构造函数的地位相当重要,当且仅当你不显示提供构造函数时,c++编译器会偷
偷地给你合成一个.但是它往往并不能按照你的意愿工作,所以你应该总是自己
提供一个构造函数,除非c++编译器默认生成的能够很好的工作.
 
Summary
The seemingly elaborate mechanisms provided by C++ should give you a
strong hint about the critical importance placed on initialization
and cleanup in the language. As Stroustrup was designing C++, one of
the first observations he made about productivity in C was that a
significant portion of programming problems are caused by improper
initialization of variables. These kinds of bugs are hard to find,
and similar issues apply to improper cleanup. Because constructors
and destructors allow you to guarantee proper initialization and
cleanup (the compiler will not allow an object to be created and
destroyed without the proper constructor and destructor calls), you
get complete control and safety.
Aggregate initialization is included in a similar vein – it
prevents you from making typical initialization mistakes with
aggregates of built-in types and makes your code more succinct.
Safety during coding is a big issue in C++. Initialization and
cleanup are an important part of this, but you’ll also see other
safety issues as the book progresses.
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