Effective C++笔记 —— 第四章

  1. 让接口容易被正确使用,不容易被误用
  2. 设计一个新的class要考虑的问题:
    2.1 新type如何被创建和销毁——构造函数和析构函数以及内存分配函数和释放函数
    2.2 对象的初始化和赋值该有什么样的差别——构造函数和赋值运算符
    2.3 对象如果被以值传递会发生什么——拷贝构造函数
    2.4 什么是新type的合法值
    2.5 新type需要配合某个继承图系吗?
    2.6 新type需要什么样的转换吗?
    2.7 什么样的操作符和函数对此type是合理的
    2.8 什么样的标准函数应该驳回——声明为private
    2.9 谁该取用新type的成员
    2.10 什么是新type的未声明接口
    2.11 新type有多么一般化
  3. 用const引用代替以值传递
    3.1 提高效率,避免了很多拷贝构造函数的使用
    3.2 按引用传递可以避免对象切割问题,只有引用和指针才有多态
    3.3 对于内置类型和STL的迭代器和函数对象,按值传递效率更高
  4. 将成员变量声明为private。从封装的角度看,只有两种访问权限:private和其他。protected并不比public更具有封装性
  5. 愈少代码可以看到数据,愈多的数据可以被封装,所以一个non-member non-friend 函数比member函数有更大的封装性
  6. 将所有便利函数放在多个头文件内但隶属同一个命名空间,意味着客户可以轻松扩展这一组便利函数,只需要添加更多non-member non-friend函数到此命名空间内
  7. 如果需要为所有参数进行类型转换,那么这个函数必须是non-member
  8. 可以避免friend就该避免
  9. C++只允许对class template偏特化,在function template上偏特化是行不通的
  10. 当std::swap对新type效率不高时,提供一个swap成员函数,并确定这个函数不抛出异常
    10.1 如果提供一个member swap,也应该提供一个non-member swap来调用前者。对于classes(而非templates),需要特化std::swap
    10.2 调用swap时应针对std::swap使用using声明式,然后调用swap并且不带任何“命令空间资格修饰”
    10.3 为“用户定义类型”进行std templates全特化是好的,但千万不要尝试在std内加入某些对std而言全新的东西
  11. 全特化和偏特化待补充……
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