Effective C++笔记 —— 第二章

  1. 拷贝构造函数和拷贝赋值运算符
    1.1 当类内有指针成员时,必须自己定义拷贝构造函数和拷贝赋值运算符,进行深度复制,即自己重新申请一块空间进行拷贝,防止发生浅拷贝,只是拷贝地址,delete两次会造成内存管理错误,参见《C++ Primer Plus》第435页
    1.2 当类内有引用成员或const成员时,必须自己定义拷贝构造函数和拷贝赋值函数,因为引用和const在指定后不允许重新赋值。== 具体使用const_cast去掉const属性还是先调用析构函数之后再赋值,还需要再去考证一下。==
    const_cast

  2. 为驳回编译器自动提供的机能,可将相应的成员函数声明为private并不予实现
    例如单例模式:

    public class Singleton {
    
    private static Singleton* INSTANCE = new Singleton();
    
    private Singleton(){}
    
    public static Singleton* getInstance(){
        return INSTANCE;
    }
    }
    
  3. 当class不企图被当做是基类时,令其析构函数为虚函数是个馊主意,因为虚函数会产生虚函数指针,不仅占用内存,还可能因此不具有可移植性。
    3.1 所有的STL容器都不带虚函数,所以不能继承STL容器
    3.2 析构函数绝对不要抛出异常,比如对一个vector来说,在析构第一个元素期间有个异常被抛出,其余元素还是应该被销毁,否则会发生内存泄漏。但假设在调用期间,第二个元素在析构时又抛出异常,这时候两个异常同时存在的情况下,程序若不是结束执行就是导致不正确行为
    3.3 如果一个被析构函数调用的函数可能抛出异常,析构函数应该捕获任何异常,然后吞下异常或结束程序(abort)

  4. 绝对不在构造和析构函数中调用虚函数,此时的虚函数执行的是基类那一层,没有下降到继承类

  5. 在operate = 时好的做法是考虑到异常
    5.1 没有考虑分配内存不足或拷贝构造函数抛出异常

    class Widget
    {private:
     Bitmap *pb;
    }
    
    Widget& Widget::operate=(const Widget& rhs)
    {
     if(this==*rhs) return *this;
     delete pb;
     pb=new Bitmap(*rhs.pb);
     return *this;
    }
    

    5.2 考虑异常的做法

    Widget& Widget::operate=(const Widget& rhs)
    {
     Bitmap *pOrig=pb;    //记住原先的pb
     pb=new Bitmap(*rhs.pb);
     delete pOrig;
     return *this;
    }
    

    5.3 另一种使用copy and swap的做法

    Widget& Widget::operate=(const Widget& rhs)
    {
     Widget temp(rhs);
     swap(temp);
     return *this;
    }
    
  6. copying函数应该确保复制对象内的所有成员变量和所有基类成分

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