Effective C++ 学习笔记(十五)

缺省情况下C++以by  value方式(一个继承自C的方式)传递对象至(或来自)函数。

除非你另外指定,否则函数参数都是以实际实参的复件(副本)为初值,而调用端所获得的亦是函数返回值的一个复件。

这些复件(副本)系由对象的copy构造函数产出,这可能使pass-by-value成为昂贵(费时的)操作。

class Person{

 public:

   Person();

   virtual ~Person();

private:

    std::string name;

    std::string address;

};


class Student :public Person{

public:

     Student();

   ~Student();

private:

     std::string  schoolName;

     std::string   schoolAddress;

}


现在考虑以下代码,其中调用函数validateStudent,后者需要一个Student实参(by value)并返回他是否有效:

bool  validateStudent(Student s);                     //函数以by value方式接受学生

Student plato;                                                   //柏拉图,苏格拉底的学生

bool  platoIsOk=validateStudent(plato);          //调用函数


无疑地Student的copy构造函数会被调用,以plato为蓝本将s初始化。

同样明显地,当validateStudent返回s会被调用。因此,参数的传递成本是“因此Student copy构造函数调用,加上一次Student析构函数调用”.


Student对象内有两个string对象,所以每次构造一个Student对象也就构造了两个string对象。此外Student对象继承自Person对象,所以每次构造Student对象也就必须

一个person对象。一个person对象又有两个string对象在其中,因此每一次person构造动作又需承担两个sttring构造动作。最终结果是,以by value方式传递一个student


构造出一个Person对象。一个Person对象又有两个string对象在其中,因此每一次Person构造动作又需承担两个string构造动作。

最终结果是,以by value方式传递一个Student对象会导致调用一次Student copy构造函数,一次Person copy构造函数,四次string copy构造函数。

当函数内的那个Student复件被销毁,每一个够着函数调用动作都需要一个对应的析构函数调用动作。

因此,以by value方式传递一个student对象,总体成本是“六次构造函数和六次析构函数”


如果有什么方法可以回避所有那些构造和析构动作就太好了,有的,那就是pass by  reference-to-const:

 bool validateStudent(const Student&  s);

这种传递方式的效率高很多:没有任何构造函数或析构函数被调用,因为没有任何新对象被创建。

修订后的这个参数声明中的const是最重要的原先的validateStudent以by value方式接受一个Student参数,因此调用者知道他们受到保护,

函数内绝不会对传入的Student做任何改变,validateStudent只能够对其复件(副本)做修改。现在Student以by reference方式传递,将它声明为const

是必要的,因为不这样做得话调用者会忧虑validateStudent会不会改变他们传入的那个Student。


以by reference方式传递参数也可以避免slicing(对象切割)问题。当一个derived class对象以by value方式传递并被视为base class 对象,base class

的copy构造函数会被调用,而“造成此对象的行为像个derived class 对象”的那些特化性质全被切割掉了,仅仅留下了一个base class对象。

class Window{

public:

    std::string name() const;    //返回窗口名称

     virtual void display() const; //显示窗口和其内容

};

class WindowWithScrollBars:public Window{

public:

     virtual void display() const;

};

所有Window对象都带有一个名称,你可以通过name函数取得它。所有窗口都可以显示,你可以通过display函数完成它。

display是个virtual函数,这意味简易朴素的base class window对象的显示方法和华丽高贵的windowWithScrollBars对象的显示

方法不同


假设你希望写出个函数打印窗口名称,然后显示该窗口。

void printNameDisplay(Window w)

{

    std::cout<<w.name();

    w.display();

}

当你调用上述函数并交给它一个windowWithScrollBars对象会发生什么事呢?

WindowWithScrollBars wwsb;

printNameAndDisplay(wwsb);


参数w会被构造成为一个Window对象,它是pass by value

而造成wwsb之所以是个windowWithScrollBars对象的所有特化信息都会被切除。

在printNameAndDisplay函数内不论传递过来的对象原来是什么类型,参数w就像一个window对象(因为其类型时window)

因此在printNameAndDisplay内调用display调用的总是Window::display,绝不会是WindowWithScrollBars::display.


解决切割(slicing)问题的办法,就是以by reference-to-const的方法传递w:

void  printNameAndDisplay(const Window& w)

{

     std::cout<<w.name();

     w.display();

}

如果窥视C++编译器的底层,你会发现,reference往往以指针实现出来,因此 pass by reference 通常意味着真正传递的是指针。

因此如果你有内置类型(如int)pass by value往往比pass by reference的效率高些


一般而言,你可以合理假设"pass -by-value并不昂贵"的唯一对象就是内置类型和STL的迭代器和函数对象。至于其他任何东西都请遵守本条款的忠告,

尽量以pass-by-reference-to-const 替换pass-by-value.








  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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