C++类与对象1

类的定义

C语言中结构体的定义:

struck struckname
{
	...//结构体成员变量
};

C++中类的定义:

class classname
{
	...//结构体成员变量和函数 
};

C++类中,可以定义函数,而C语言结构体中无法定义函数

类的访问限定符与封装

访问限定符
访问限定符
public
protected
private
  • public 修饰的成员可在类外被直接访问
  • protected private 修饰的成员不能在类外被直接访问
  • 访问权限作用域从该访问限定符开始直到下一访问限定符出现
封装

将数据和操作数据的方法有机结合,隐藏对象的属性和实现细节,仅对外公开接口来和对象进行交互

类对象模型

计算类的大小

空类的大小:

class A
{

};
int main()
{
	A test;
	cout << sizeof(test) << endl;
	return 0;
}

在vs2013中打印结果为1
在这里插入图片描述
空类在存储时,为了防止地址冲突,主流编译器给定一个字节用来标识

普通类的大小:

class B
{
	void Func1()
	{}
	void Func2()
	{}
	int a;
	char b;
	double c;
};
int main()
{
	B test;
	cout << sizeof(test) <<endl;
	return 0;
}

打印结果为:
在这里插入图片描述
在计算大小时,类并未加入函数的大小,而是以普通结构体的方式进行计算

this指针

C++编译器给每个"成员函数"增加了一个隐藏的指针参数,让该指针指向当前对象,在函数体中,所有成员变量的操作都是通过this指针完成的

class Date
{
public:
	void Display()
	{
		cout << this << endl;
		cout << _year << "-" << _month << "-" << _day << endl;
	}
	void SetDate(int year, int month, int day)
	{
		_year = year;
		_month = month;
		_day = day;
	}
private:
	int _year;
	int _month;
	int _day;
};
int main()
{
	Date d1,d2;
	d1.SetDate(2019, 9, 25);
	d2.SetDate(2019, 9, 26);
	d1.Display();
	d2.Display();
	return 0;
}

打印结果:
在这里插入图片描述
在这里插入图片描述
两次this指针打印结果与&d1,&d2结果相同

void Display()
{
	cout<<_year<<endl;
}
void Display(Date *this)
{
	cout<<this->_year<<endl;
}

编译器处理成员函数时隐藏的this指针

this指针的特性
  • this指针的类型:类类型 *const
  • 只能在成员函数内部使用
  • this指针本质上是成员函数的形参,是对象调用成员函数时,将对象的地址作为实参传给this形参,所以对象中不储存this指针
  • this指针是成员函数第一个隐含的形参,一般由编译器通过ecx寄存器自动传递
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