多态之重载多态运算符重载那些事

文章详细讨论了C++中的多态性,包括重载多态、强制多态、包含多态和参数多态。特别地,通过运算符重载++的前后置使用示例,解释了为何前后置++返回类型不同,涉及对象引用和临时对象的生命周期。此外,文章还提到了函数模板、重载函数和虚函数在实现多态中的作用。
摘要由CSDN通过智能技术生成

多态归结起来有四种:重载多态,强制多态,包含多态,参数多态。运算符重载实际上是函数重载。

上代码:

重载运算符 ++ 分为前置和后置,其中重载函数带参数的是后置。

#include <iostream> 
using namespace std; 
class A{ 
     int n; 
     int k; 
     int m; 
     public: 
     A(){} 
     A(int n,int k,int m):n(n),k(k),m(m){} 
     A& operator++(){  //++i 
         m++; 
         return *this; 
     } 
     A operator++(int){  //i++ 
         A a(*this); 
         m++; 
         return a; 
     } 
     void show(){ 
         cout <<n <<"-" <<k <<"-" <<m <<endl; 
     } 
 }; 
 void main() 
 { 
     A a1(10,20,30); 
     A a2(10,20,30);
     cout<<" ++i : ";
     (++a1).show(); 
     cout<<" i++ : ";
     (a2++).show(); 
 } 
 代码运行结果:

  ++i : 10-20-31

  i++ : 10-20-30

注意看上述代码:

重载运算符 ++i返回的类型是A&,即对象的引用,i++返回的类型是A,即对象类型,为什么返回值不同呢?

其实,仔细看,++i 的返回值是 *this,是main函数中当前调用的对象,生命周期大于此重载函数的生命周期。

而i++的返回值是 临时对象 a,要知道临时对象在函数体结束的那一刻就会从栈中弹出,生命结束,对象被析构。

所以返回类型若为对象的引用,那么会导致引用的对象并不存在,从而导致程序的异常。而返回的类型为对象时,会调用

复制构造函数生成临时对象,缺点就是开销比较大,对比引用引用而言。

 ======================================================

具体关于多态是如何实现的可以看一下下面这篇文章:

http://www.cnblogs.com/yqskj/articles/2208585.html

 我的理解:多态无外乎 相同的函数实现不同的功能:这就包含了函数模板(参数多态),重载函数(重载多态),虚函数(包含多态),强制转换

Fight fight fight ! 你有你的奇迹 ! Fight fight fight ! Just to be yourself !

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

打赏作者

荣华富贵8

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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