Effective C++ 条款13:以对象管理资源

1. 在使用堆内存时,需要手动delete指针以防内存泄露,但是有些例外情况(例如发生异常)会使得内存资源无法释放,此外,使用者也极有可能忘记释放堆内存,因此需要" 以对象管理资源",也就是把资源放进对象内,用析构函数来确保资源被释放,这种思想被称为"资源取得时机就是初始化时机"(Resource Acquisition is Initialization; RAII,名字并没有体现这种思想)

2. 除了手动编写一个指针类以外,C++标准库提供了auto_ptr类模板(在<memory>头文件中),使用它需注意:

    1). auto_ptr<T>只能由T*显示初始化或由auto_ptr<T>对象初始化

    2). auto_ptr<T>只能指向堆内存,因为它的析构函数会delete它所指向的对象,因此务必不要用指向堆栈的指针初始化auto_ptr<T>

    3). auto_ptr<T>没有使用计数的概念,同一块内存只能由一个auto_ptr<T>指向,auto_ptr<T>对象的赋值操作和拷贝构造会使右操作数指向NULL.由于auto_ptr<T>的复制不同于一般意义上的复制,因此它不能作为STL容器的元素.

3. 从2中可以看出,auto_ptr的使用具有一定局限性和危险性,并且它所管理的内存不能同时被多个auto_ptr引用,TR1的"引用计数型智能指针"(reference-counting smart poiner; RCSP) shared_ptr就是一个很好的替代品."TR1代表'Technical Report 1',那是C++程序库工作小组对该份文档的称呼",TR1是C++ 03标准的一个扩展,它并不属于C++ 03标准,只是一份草稿文件,但它所提出的项目很可能成为官方标准,它叙述了14个新组件,统统放在命名空间std内,其中包括shared_ptr和weak_ptr,gcc和vs2008SP2以上已经可以支持它了gcc需要include头文件<tr1/memory>,vs需要include头文件<memory>,有的编译器需要装boost库并且include<boost/shared_ptr.hpp>和<boost/weak_ptr.hpp>才可以使用(需加命名空间限定boost::)

    shared_ptr<T>的使用比较简单,它具有引用计数功能,通过使用use_count()观测资源的引用计数,使用unique()观测判断引用计数是否为1(若为1返回true),使用reset()将指针重设(默认设为空)(详细成员函数介绍见http://www.cplusplus.com/reference/memory/shared_ptr/),可以共享对象的所有权,只有最后一个指向该对象的指针被撤销时,它所指向的堆内存才会被释放,属于强引用(只要有一个强应用存在,所指对象就不能释放),因此不能解决循环引用的问题,以下就是一个循环引用的例子:

复制代码
#include<iostream>
#include<memory>
using namespace std;
class A;
class B;
class A{
public:
    shared_ptr<B> ptrb;
    ~A(){ cout << "A was destructed!" << endl; }
};
class B{
public:
    shared_ptr<A> ptra;
    ~B(){ cout << "B was destructed!" << endl; }
};
void foo(){
    shared_ptr<A>  s_ptra(new A());
    shared_ptr<B>  s_ptrb(new B());
    s_ptra->ptrb = s_ptrb;
    s_ptrb->ptra = s_ptra;
}
int main(){
    foo();
    system("pause");
    return 0;
}
复制代码

运行结果为:

可见,当foo()被调用结束后,尽管ptr_a和ptr_b被销毁,但a和b形成了循环引用,资源无法被释放,示意图为:

位于堆内存中的a和b的成员ptr_a和ptr_b分别指向a和b导致a和b既不能被释放,又不能被使用,从而造成循环引用.

    要解决循环引用,就要使用弱引用——weak_ptr.

    weak_ptr只能通过shared_ptr或weak_ptr来初始化,它不会增加使用计数,也不可以通过它来访问所引用的对象,它的作用是协助shared_ptr来访问,通过使用成员函数lock()来获得一个与它指向相同对象的shared_ptr对象,通过使用use_count()观测资源的引用计数,使用expired()观测判断所指向的内存是否被释放(若被释放返回true),使用reset()将指针重设(默认设为空)(详细成员函数介绍见http://www.cplusplus.com/reference/memory/weak_ptr/).要使用弱引用来打破循环引用,只要把循环引用的其中一方所使用的指针成员改为弱引用即可,即:

复制代码
#include<iostream>
#include<memory>
using namespace std;
class A;
class B;
class A{
public:
    weak_ptr<B> ptrb;
    ~A(){ cout << "A was destructed!" << endl; }
};
class B{
public:
    shared_ptr<A> ptra;
    ~B(){ cout << "B was destructed!" << endl; }
};
void foo(){
    shared_ptr<A>  s_ptra(new A());
    shared_ptr<B>  s_ptrb(new B());
    s_ptra->ptrb = s_ptrb;
    s_ptrb->ptra = s_ptra;
}
int main(){
    foo();
    system("pause");
    return 0;
}
复制代码

运行结果为:

示意图为:

(黑色箭头表示强引用,蓝色箭头表示弱引用)

 4. 注意:

    1). 不管auto_ptr,shared_ptr还是weak_ptr它们只用于指向单个对象而不是数组,实际上vector和string就可以取代动态分配的数组,此外,在boost中提供了boost::scoped_array和shared_array用于指向动态分配的数组.

    2). shared_ptr不要与普通指针交互使用,例如,对于以下代码:

复制代码
#include<iostream>
#include<memory>
using namespace std;
int main(){
    int* p = new int;
    shared_ptr<int> ptr(p);
    cout << ptr.use_count() << endl;
    delete p;
    cout << ptr.use_count();
    system("pause");
    return 0;
}
复制代码

运行结果为:

程序甚至会出错!

 5. C++标准并没有针对动态分配数组"而设计的类似auto_ptr或tr1::shared_ptr的模板(TR1中也没有),毕竟使用vector和string就可以取代所有动态内存分配取得的数组.幸运的是Boost库提供的boost::scoped_array和boost::shared_array 提供这种功能.

                                      

 转载自:https://www.cnblogs.com/reasno/p/4750685.html

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