C++_string_知识总结(初学)

基础认识:

  1. string严格意义上不属于STL容器,其出现的时间早于STL,这也导致了string官方库中部分函数冗余。但是这也体现了语言发展中的一个重要现象——向前兼容。
  2. 和很多STL容器一样,string是一个类,核心是一个顺序表,同时提供一系列接口,以及方法,从而简化在编程中对字符串的相关操作。
  3. 和其他容器不同的是,库中string类使用模板的意义不在于,能使不同内置类型得到相应的实例化,而是针对不同文字的编码,常见的有:uicode(万国码)、UTF-8、UTF-16、UTF-32(数字越大能表示的字符数量就越多)、gbk。
  4. string类中的reserve当n小于capacity时不一定会缩容,如VS上不会,但linux上会。
  5. 谨慎使用insert头插、中间插,replace(如果是平替还好),erase中间删且量小,因为会扩容和移动数据,效率低下。

三种重要的遍历方式

方括号遍历:

比较常见的一种遍历,因为string支持方括号的重载

迭代器遍历:

因为string特殊的物理结构,可以简单地认为,迭代器就是指针。而实际上迭代器是一种封装的思想,使用者不用花太多心思在如何根据需要访问数据上,只需要延续使用指针的传统,从而达到了简化的作用。begin()、end()一组左闭右开的区间,end()指向的是最后一个字符的下一个位置。

范围for遍历(特殊):

范围for遍历的底层其实还是迭代器,在模拟实现中,实现好迭代器后,范围for的写法立即生效。同时注意不用对ch++或者解引用。

模拟实现

不考虑编码、模板,旨在体会string构造的模拟练习:

实现中的要点回顾

  • 在做全缺省传参的时候,缺省值不要给nullptr,应该给'\0',并且斜杠零不应该计入capacity与size中。

  • strcpy会把'\0'也拷到目标中,先拷贝判断。
  • reserve开空间要多开一个留给斜杆零

  • 拷贝、修改字符串的时候一定注意有没有考虑到斜杠零

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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