C++虚拟函式实现方式 [大三TJB_708]

1 虚拟函式表

       如果能够了解C++编译器对于虚拟函式的实现方式,我们就能够知道为什么虚拟函式可以做到动态连结。为了达到动态连结的目的,C++编译器透过某个表格,在执行时期间接呼叫实际上连结的函式。这样的表格称为虚拟函式表(vtable)。每一个内含虚拟函式的类别,编译器都会为它做出一个虚拟函式表,表中的每一个元素都指向一个虚拟函式的位址。此外,编译器当然也会为类别加上一向成员函数,是一个指向该虚拟函式表的指標(vptr)。

 

2 例子说明

Class1基类
class Class1 {
  public :
         int m_data1;
        int m_data2;

        memfunc();
        virtual void vfun1();
        virtual void vfun2();
        virtual void vfun3();
};

则Class1物件实体在记忆中占据这样的空间:

图1.CMyClass1物件实体占据空间图

由图1.可知Class1物件实体内的数据分两个地方存储,第一个是存储vptr + m_data1 + m_data2成员变量之地;第二个数储存虚拟函数Class1::vfunc1、Class1::vfunc2、Class1::vfunc3和成员函数Class1::memfunc()之地,当然就单成员函数来说,衍生类中的成员函数跟基类所的成员函数都是一个地址的,衍生类使用父类的成员函数都是采用调用形式(this指標)。对于成员变量,在内存中会增加一个vptr变量,作用是指向虚拟函式表(vtable)的首地址,同时也是整个类物件实体的首地址。而虚拟函式表(vtable)中存的是指向每个虚拟函式的函数指针,指向存在其它地方的虚拟函式,虚拟函式跟成员函数存储在一起。

 

3 衍生类

衍生类Class2

每一个由基类衍生出来的物件,都有这么一个vptr。当我们透过这个物件呼叫虚拟函式,事实上是透过vptr找到虚拟函式表,再找出虚拟函式的真正地址。奥妙自傲与这个虚拟函式表以及这种间接呼叫方式。虚拟函式表的内容是依据类别中的虚拟函式宣告次序,一一填入函数指標。衍生类别会继承基础类别的虚拟函式表(以及其他可以继承的成员),当我们在衍生类别中改写虚拟函式时,虚拟函式表就收到了影响,表中元素所指的函式位址将不再是基础类别中函数位址,而是衍生类别中中虚拟函式的位址。

class Class2 : public Class1{
  public:
	int m_data3;
	memfunc();
	virtual void vfunc2();
};

则CMyClass2物件实体在记忆中占据这样的空间:

图2.衍生类CMyClass2物件实体记忆空间分配

由图2可知,在成员变量存储区多了m_data3变量,在虚拟函式表中,(*vfunc2)所指向的虚拟函式为Class2,成员函数menmfunc()也属于Class2物体实体的了。这跟指標只跟定义指標的类相同一致。

 

衍生类Class3
class Class3 : public Class2{
  public:
	int m_data1;
	int m_data4;
	memfunc();
	virtual void vfunc2();
};

则Class3物件实体的记忆空间会区分Class1::m_data1和m_data1(Class3::m_data1),所以在数据变量存储区域存储的数据依次为:vptr, Class1::m_data1,m_data2, m_data3, m_data1, m_data4,虚拟函式表中所指向的虚拟函式跟Class2中一样都是指向Class3的虚拟函式,值得一提的是vfunc()实质是指Class1::vfunc1()而不是Class2::vfunc1()。成员函数是Class3型的。

 

 

此次笔记记录完毕。

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