虚函数&多态

  对于经常被问到的虚函数和多态的问题,发现百度百科回答得十分详细,所以自己在百度百科上的解释进行总结

一、虚函数

(1)虚函数简介:在某基类中声明为virtual并在一个或者多个派生类中被重新定义的成员函数;实现多态性,通过指向派生类的基类指针或引用,访问派生类中同名覆盖成员函数。

(2)简单解释:被virtual关键字修饰的成员函数,就是虚函数。

(3)作用:实现多态性(polymorphism)。

(4)过程说明:

  先给定代码,对以下代码做说明:

 1 #include<iostream>
 2 using namespace std;
 3 class Animal
 4 {
 5 public:
 6     void speak()
 7     {
 8         cout<<"I am a animal!"<<endl;
 9     }
10 };
11 class Dog : public Animal
12 {
13 public:
14     void speak()
15     {
16         cout<<"I am a dog!"<<endl;
17     }
18 };
19 int main()
20 {
21     Animal animal;
22     Dog dog;
23     animal.speak();
24     dog.speak();
25     return 0;
26 }

  输出结果:

  对于上面代码,通过class Animalclass Dogspeak( )函数接口,可以看出这两个class因个体差异而采取不同的行为,但是却没有满足多态性,因为多态性的关键是:一切用指向基类的指针或引用来操作对象所以我们对main( )函数做修改,采用指向基类的指针或引用来调用:

 1 int main()
 2 {
 3     Animal animal;
 4     Dog dog;
 5     Animal *p1 = &animal;
 6     Animal *p2 = &dog;
 7     p1->speak();
 8     p2->speak();
 9     return 0;
10

  输出结果:

  由输出可以看,两个调用输出的都是Animal自己的speak( )函数,这不符合我们的要求,所以引入了虚函数,来解决此问题;因此在基类的成员函数定义前加virtual

 1 #include<iostream>
 2 using namespace std;
 3 class Animal
 4 {
 5 public:
 6     virtual void speak()
 7     {
 8         cout<<"I am a animal!"<<endl;
 9     }
10 };
11 class Dog : public Animal
12 {
13 public:
14     void speak()
15     {
16         cout<<"I am a dog!"<<endl;
17     }
18 };
19 int main()
20 {
21     Animal animal;
22     Dog dog;
23     Animal *p1 = &animal;
24     Animal *p2 = &dog;
25     p1->speak();
26     p2->speak();
27     return 0;
28 }

  输出结果:

  作为基类的Animal的成员函数speak( )被定义为虚函数,相应的其派生类Dog的成员函数speak( )自动变为虚函数;所以对于派生类中相应成员函数是否加上virtual关键字修饰,是可选的,但是为了可读性,一般还是加上。

(5)限制条件:

  • 非类的成员函数不能定义为虚函数,类的成员函数中静态函数、构造函数也不能定义为虚函数,但是析构函数可以被定义为虚函数;
  • 当基类中的某一成员函数声明为虚函数后,派生类中的同名函数(函数名相同、参数列表完全一致、返回类型相关)自动成为虚函数;
  • 如果声明了某个成员函数为虚函数,则在该类中不能出现和这个成员函数同名并且返回值、参数个数、类型都相同的非虚函数在以该类为基类派生类中,也不能出现这种同名函数

(6)总结:

  • 指向基类的指针在操作它的多态对象时,会根据不同的类对象,调用其相应的函数,这个函数就是虚函数;
  • 虚函数联系到多态,多态联系到继承。

二、多态性

  多态是指同一个实体同时具有多种形式。它是面向对象程序设计的一个重要特征。如果一个语言支持类而不支持多态,只能说明它是基于对象的,而不是面向对象的。

  C++中的多态性具体体现在运行和编译两个方面。

  • 运行时,为动态多态,具体引用的对象要在运行时才能确定;
  • 编译时,为静态多态,在编译时就可以确认对象使用的形式。

(1)定义:多态是指同一操作作用于不同的对象,可以有不同的解释,产生不同的执行结果。在运行时,可以通过指向基类的指针,来调用实现派生类中的方法

(2)实现方法:C++中,实现多态可以通过虚函数、抽象类、覆盖、模板(重构与多态无关)。

(3)作用:

  把不同的子类对象都当作父类来看,可以屏蔽不同子类对象之间的差异,写出通用的代码,做出通用的编程,以适应需求的不断变化。

  赋值之后,父类型的引用就可以根据当前赋值给它的子对象的特性以不同的方式运作。也就是说,父亲的行为像儿子,而不是儿子的行为像父亲。

  举个例子:从一个基类中派生,响应一个虚命令,产生不同的结果。

  比如从某个基类派生出多个子类,其基类有一个虚方法Tdoit,然后其子类也有这个方法,但行为不同,然后这些子类对象中的任何一个可以赋给其基类对象的引用或者说将子对象地址赋给基类指针,这样其基类的对象就可以执行不同的操作了。实际上你是在通过其基类的引用来访问其子类对象的,你要做的就是一个赋值操作。

 

  使用继承性的结果就是当创建了一个类的家族,在认识这个类的家族时,就是把子类的对象当作基类的对象,这种认识又叫作upcasting(向上转型)。这样认识的重要性在于:我们可以只针对基类写出一段程序,但它可以适应于这个类的家族,因为编译器会自动找出合适的对象来执行操作。这种现象又称为多态性。而实现多态性的手段又叫称动态绑定(dynamic binding)

 

  简单的说,建立一个父类对象的引用,它所指对象可以是这个父类的对象,也可以是它的子类的对象。java中当子类拥有和父类同样的函数,当通过这个父类对象的引用调用这个函数的时候,调用到的是子类中的函数。

三、重构

  一种糟糕的现象:软件产品最初制造出来,是经过精心的设计,具有良好架构的。但是随着时间的发展、需求的变化,必须不断的修改原有的功能、追加新的功能,还免不了有一些缺陷需要修改。为了实现变更,不可避免的要违反最初的设计构架。经过一段时间以后,软件的架构就千疮百孔了。bug越来越多,越来越难维护,新的需求越来越难实现,软件的架构对新的需求渐渐的失去支持能力,而是成为一种制约。最后新需求的开发成本会超过开发一个新的软件的成本,这就是这个软件系统的生命走到尽头的时候。

 

  重构就能够最大限度的避免这样一种现象。系统发展到一定阶段后,使用重构的方式,不改变系统的外部功能,只对内部的结构进行重新的整理。通过重构,不断的调整系统的结构,使系统对于需求的变更始终具有较强的适应能力。

 

  重构可以降低项目的耦合度,使项目更加模块化,有利于项目的开发效率和后期的维护。让项目主框架突出鲜明,给人一种思路清晰,一目了然的感觉,其实重构是对框架的一种维护

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