c++:多态

多态

从定义来讲,多态按字面意思就是“多种形态”

在面向对象语言中,接口的多种不同的实现方式即为多态。

静态多态&多态多态

静态联编&动态联编

联编:程序调用函数,编译器决定使用那个可执行代码块

静态联编实际上就是函数重载和运算符重载,是在编译过程中进行联编的

动态联编就是在程序运行过程中才动态的确定操作对象。

使用虚函数,在内存与执行速度是需要付出代价的。

  • 每个对象都会增大,增大量为虚函数表的空间
  • 对每个类,编译器都需要创建一个虚函数地址表。
  • 每个函数调用都需要不断地寻址,所以效率不如普通函数调用高。

虚函数

虚函数就是指在基类中声明为virtual并在一个或多个派生类中被重新定义的成员函数

class Base
{
public:
    int b;
    virtual void Fun()
    {
        cout<<"Base"<<endl;
    }
};
class Derive:public Base
{
public:
    int d;
    void Fun()
    {
        cout<<"Derive"<<endl;
    }
};

虚函数重写:当在子类中定义了一个与父类完全相同的虚函数时,则称 子类的这个函数重写也就是覆盖了父类的这个虚函数

比如说在以下场景:

我们买票时,一般都分为成人票和儿童票,我们定义一个成人类,继承一个儿童类,代码如下:

#include <iostream>
using namespace std;
class Person
{
public:
    virtual void BuyTickets()
    {
        cout << "全票"<< endl;
    }
};
class Student:public Person
{
public:
    virtual void BuyTickets()
    {
        cout << "半票" << endl;
    }
};
void Fun(Person& p)
{
    p.BuyTickets();
}
int main()
{
    Person p;
    Student s;
    Fun(p);
    Fun(s);
    system("pause");
    return 0;
}

1533540231609

总结:

当使用基类的指针或引用调用重写的虚函数时,指向父类的调用就是父类的虚函数,指向子类的调用的就是子类的虚函数

实际上可以这样理解,普通函数的调用与类型有关,而多态的调用和对象有关,你是哪一种类的对象就调用该类的虚函数。

多态的条件

  • 虚函数的重写
  • 是父类的指针或引用

几个注意事项

  1. 基类中定义了虚函数,在派生类中该函数始终保持虚函数的特性。规范起见,子类的虚函数也写上virtual。
  2. 只有类的成员函数才能被定义为虚函数,静态成员函数不能被定义为虚函数。
  3. 如果在类外面定义虚函数,只能在类里面声明时写上virtual,类外定义函数时不能加virtual。
  4. 构造,拷贝构造,赋值运算符的重载都不能定义为虚函数,析构函数建议定义为虚函数。
    • 原因是:析构函数定义为虚函数,能够保证正确调用自己的析构函数。
  5. 友元不能是虚函数,因为友元不是成员函数。
  6. 在成员函数的形参后面写上=0,则成员函数为纯虚函数。包含纯虚函数的类叫做抽象类,抽象类并不能实例化出对象。子类继承之后必须强制重写,才能实例化对象。

重写&重定义

  • 重写(覆盖)
    • 不在同一作用域内,分别在基类与派生类中。
    • 函数名相同/参数相同/返回值相同(协变除外)
    • 基类函数必须有virtual关键字
    • 访问修饰符可不同
  • 重定义(隐藏):
    • 不在同一作用域内,分别在基类与派生类中。
    • 函数名相同
    • 在基类和派生类中只要不构成重写就是重定义。
  • 重载
    • 在同一作用域内
    • 函数名相同
    • 返回值可以不同

单继承对象模型

我们使用虚函数时,可以直接使用,但是底层的事情都是编译器帮我们做了,那么编译器是如何实现的?

给每个对象添加一个隐藏成员

这个隐藏的成员实际上是一个指向函数指针数组的指针。这个函数指针数组指的就是虚函数表。

虚函数表中存储了为类对象进行声明的虚函数的地址。

  • 基类对象包含了一个指针,该指针指向基类中所有虚函数的虚函数表。派生类对象将包含一个指向自己的虚函数表的指针。
  • 如果派生类重写了虚函数,该虚函数表将保存新函数的地址;没有重写,该虚函数表将保存父类的该虚函数地址。
  • 如果派生类定义了自己的虚函数,则该虚函数地址也被加入到自己的虚函数表。

例子:

class Base
{
public:
    int b;
    virtual void Fun1()
    {
        cout << "Base::Fun1()" << endl;
    }
    virtual void Fun2()
    {
        cout << "Base::Fun2()" << endl;
    }
};
class Derive : public Base
{
public:
    int d;
    virtual void Fun3()
    {
        cout << "Derive::Fun3()" << endl;
    }
    virtual void Fun4()
    {
        cout << "Derive::Fun4()" << endl;
    }
};
int main()
{
    Base b;
    b.b = 1;
    Derive d;
    d.b = 1;
    d.d = 2;
    return 0;
}

1533542277423

可以看到,子类与父类各有一张虚函数表,但是这张图可以看到,子类虽然继承了父类的虚函数表,但是自己定义的虚函数并没有被放入虚函数表,原因是因为在该平台(VS2013)下编译器做了优化,导致我们看不到,可以写代码看到:

父类的虚函数表:

1533543240232

子类的虚函数表:

1533543286512

下来我们实验以下重写后的虚函数表:

子类的虚函数表:

可以看到重写了Fun1,继承了Fun2,还有定义自己的虚函数3和4.

1533543500530

多重继承模型

class Base1
{
public:
    int b;
    virtual void Fun1()
    {
        cout << "Base1::Fun1()" << endl;
    }
    virtual void Fun2()
    {
        cout << "Base1::Fun2()" << endl;
    }
};

class Base2
{
public:
    int b2;
    virtual void Fun1()
    {
        cout << "Base2::Fun1()" << endl;
    }
    virtual void Fun2()
    {
        cout << "Base2::Fun2()" << endl;
    }
};
class Derive : public Base1,public Base2
{
public:
    int d;
    virtual void Fun1()
    {
        cout << "Derive::Fun1()" << endl;
    }

    virtual void Fun3()
    {
        cout << "Derive::Fun3()" << endl;
    }
};

子类继承了父类1和父类2,将父类的虚表各自拷贝了一份,重写的就修改。

1533547933017

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