讲自己作为sharedptr传出_shared_ptr的使用和陷阱

shared_ptr的使用

分配内存

make_shared

//make_shared分配一块int类型大小的内存,并值初始化为100

//返回值是shared_ptr类型,因此可以直接赋值给sp

shared_ptr sp = make_shared(100);

new

接受指针参数的只能指针构造函数是explicit的,因此,我们不能将一个内置指针隐式转化为一个只能指针,必须使用直接初始化形式

//错误! 不会进行隐式转换,类型不符合

shared_ptr sp1 = new int(100);

//正确,直接初始化调用构造函数

shared_ptr sp2(new int(100000));

shared_ptr的操作

分配好了内存空间,我们就可以使用shared_ptr定义的操作了

p.get()

返回p保存的指针

swap(p,q)

交换p、q中保存的指针

shared_ptr p(q)

p是q的拷贝,它们指向同一块内存,互相关联

p = q

用q为p赋值,之后p、q指向同一块内存,q引用计数+1,p(原来内存空间的)引用计数-1

p.use_count()

返回与p共享对象的智能指针数量

shared_ptr p(q,d)

q是一个可以转换为T*的指针,d是一个可调用对象(作为删除器),p接管q所指对象的所有权,用删除器d代替delete释放内存

p.reset()

将p重置为空指针

p.reset(p)

将p重置为p(的值)

p.reset(p,d)

将p重置为p(的值)并使用d作为删除器

shared_ptr 关联与独立

多个共享指针指向同一个空间,它们的关系可能是关联(我们所期望的正常关系)或是独立的(一种错误状态)

shared_ptr sp1(new int(10));

shared_ptr sp2(sp1), sp3;

sp3 = sp1;

//一个典型的错误用法

shared_ptr sp4(sp1.get());

cout << sp1.use_count() << " " << sp2.use_count() << " "

<< sp3.use_count() << " " << sp4.use_count() << endl;

//输出 3 3 3 1

sp1,sp2,sp3是相互关联的共享指针,共同控制所指内存的生存期,sp4虽然指向同样的内存,却是与sp1,sp2,sp3独立的,sp4按自己的引用计数来关联内存的释放。

只有用一个shared_ptr为另一个shared_ptr赋值时,才将这连个共享指针关联起来,直接使用地址值会导致各个shared_ptr独立。

向shared_ptr传递删除器

有时候我们需要用智能指针管理非new的对象,或者是没有析构函数的类,由于shared_ptr默认使用delete来释放内存并执行析构函数,对于以上的两种情况是不适用的,所以我们要传递特别的删除器

删除器必须接受单个类型为 T* 的参数

//没有析构函数的类

struct MyStruct

{

int *p;

MyStruct():p(new int(10)) { } //构造函数中申请了一块内存

//用裸指针管理,不用时需要手动释放

};

void main()

{

//st是局部的对象,存放在栈区

//并非由new申请,不可用delete释放内存

MyStruct st;

//一个作用域

{

shared_ptr sp(&st, [](MyStruct *ptr) {

delete(ptr->p);

ptr->p = nullptr;

cout << "destructed." << endl;

});

}

// 离开作用域,调用传递的删除器释放sp所指的内存空间

}

对于以上这个例子,首先不可以用delete来释放局部对象,然后MyStruct也没有析构函数来释放申请的空间,所以向管理它的shared_ptr传递一个删除器来做这两件事。

shared_ptr的陷阱

不要写出独立的shared_ptr

关于独立的shared_ptr的意思及危害上面已经说出,遵守下面几点来避免这个错误

不要与裸指针混用

//错误场景1

int *x(new int(10));

shared_ptr sp1(x);

shared_ptr sp2(x);

//虽然sp1、sp2都指向x所指的内存,但他们是独立的,

//会在其他shared_ptr还在使用内存的情况下就释放掉内存

//失去了设计共享指针的意义

//同时,使用裸指针x本身也是很危险的,x随时可能变成空悬指针而无从知晓

//错误场景2

//函数接受一个共享指针参数

void func(shared_ptr sp);

int *x(new int(10));

//创建了一个指向x指针所指内存的共享指针,引用计数为1,是引用这块内存的唯一共享指针

func(shared_ptr (x));

//离开函数即离开共享指针的作用域,这块内存即被删除

不要用p.get()的返回值为shared_ptr赋值

shared_ptr sp1(new int(10));

//sp2与sp1独立

shared_ptr sp2(sp1.get()),sp3;

//sp3与sp1独立

sp.reset(sp1.get());

谨慎使用p.get()的返回值

p.get()的返回值就相当于一个裸指针的值,不合适的使用这个值,上述陷阱的所有错误都有可能发生,遵守以下几个约定

不要保存p.get()的返回值

无论是保存为裸指针还是shared_ptr都是错误的

保存为裸指针不知什么时候就会变成空悬指针

保存为shared_ptr则产生了独立指针

不要delete p.get()的返回值

会导致对一块内存delete两次的错误

记得向shared_ptr传递删除器

如果用shared_ptr管理非new对象或是没有析构函数的类时,应当为其传递合适的删除器

避免形成指针循环引用

  • 0
    点赞
  • 1
    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