C/C++相关概念和易错知识点(39)(继承规则、继承下的构造和析构、函数隐藏)

C/C++常见面试题(三) 宏定义中的两个##符号是连接运算符,在预处理阶段用于将两个标识符(identifier)连接在一起形成一个新的标识符。这种操作称为标识符的拼接(token concatenation)。// 将a和b拼接成abreturn 0;在上述代码中,CONCAT宏定义使用了##连接运算符,将传入的参数a和b进行拼接。在printf()语句中,我们通过将a和b拼接成了ab,最终输出结果为10。 阅读详情

目录

1.继承规则

(1)写法

(2)区分访问限定符和继承方式

(3)友元继承

(4)形象理解

(5)protected和private区分

(6)默认继承方式

2.继承的函数调用

(1)构造函数

(2)函数的隐藏(重定义)

(3)析构函数与构造函数


1.继承规则

继承的本质是复用,是结构上的继承而不是内容上的继承,近似于在子类中声明了父类的成员变量。

(1)写法

class student : public person
     派生类(子类),继承方式,基类(父类) 

它们都分public、protected、private三种,但是含义并不相同。

(2)区分访问限定符和继承方式

访问限定符修饰的是在当前类里面是否可以访问,而继承方式是指在继承的类里面的访问方式,并且一个成员继承后的访问限定符是父类的访问限制符和子类继承方式两者间的较小权限。如果A有public成员a,而以protectd继承,因此子类成员的访问限制符是protected。

访问权限由大到小是public>protected>private,protected和private在继承语法外没有区别。比如protected成员public继承后是protected,protected成员private继承后是private,public成员public继承后是public,这都非常容易理解。


#include <iostream>
using namespace std;

class A
{
public:
	int _a = 0;
protected:
	int _b = 1;
private:
	int _c = 2;
};

class B : public A
{
public:
	void GetNum()
	{
		cout << _a << " " << _b  << " " << _d << endl;
	}
	int _d = 3;
};


int main()
{
	B().GetNum();

	return 0;
}

但是要注意private成员无论以何种方式继承,不管是public、protected还是private继承,最终子类成员的访问权限都是private且这个private成员不能被子类使用(包括访问,修改等)

看起来这个成员没有被继承,但实际上子类包含该成员。我们可以从监视窗口和类的大小双重验证这个结论。

(3)友元继承

在继承里还规定友元关系不能继承,父类的友元不是子类的友元,只有子类自己声明友元

(4)形象理解

父的成员是protected意味着这些成员对外是个秘密,但在自己家庭中不算个秘密,但家庭中的每个人都有义务对外保守这个秘密,即protected无论以何种方式继承对外都不可见。

如果父成员有个private意味着这个成员是自己的秘密,不能给任何人说,比如家里有个隐藏的地下室。但是在继承给自己孩子这个房子时,孩子不知有这个地下室,但这个地下室真实存在,即private无论以何种方式继承对子对外均不可见,但这个private成员真实存在。

父的朋友不是子的朋友,即友元关系不能继承。

(5)protected和private区分

protected在继承以后才有意义。protected和private对外的功能都一样,都是不可见,它们区别在protected对整个继承体系开放(前提没有子类以private继承它),而private是只有该类能访问,其子类也不能访问。

当中途被继承为private后,对子该成员依然不可见。

(6)默认继承方式

我们也可以选择不写继承方式,这个时候class默认私有继承,struct默认以public继承,注意这和默认访问限定符一样,但这是两个概念。

2.继承的函数调用

我们先尝试解读下面的代码,这能帮助我们初步理解继承函数调用的特征:


#include <iostream>
using namespace std;

class A
{
public:
	A(int a, int b, int c)
		:_a(a)
		,_b(b)
		,_c(c)
	{}

	void GetNum()
	{
		printf("%d %d %d\n", _a, _b, _c);
	}

	int _a = 0;
protected:
	int _b = 1;
private:
	int _c = 2;
};

class B : public A
{
public:
	B()
		:A(7, 8, 9)
		, _d(5)
	{}

	void GetNum()
	{
		printf("%d\n", _d);
	}

	int _d = 3;
};

int main()
{
	B().A::GetNum();
	B().GetNum();

	return 0;
}

结果是

(1)构造函数

A作为父类它的构造函数正常写就是了,我们重点关注B的构造函数。

我们知道,构造函数实际构造的顺序是声明的顺序而非初始化列表的顺序。这里我们可以理解为B子类的第一个成员声明是匿名的A,在初始化时要根据A的构造函数把A当作一个整体用匿名初始化对象的方式A(7,8,9)来处理,不能直接对A的成员变量直接初始化,继承的A对象和创建一个A对象一样都不会复制函数和static变量,在需要时都是直接去A里面取,即整个继承体系共享一套函数和static变量

(2)函数的隐藏(重定义)

父

子

在继承体系中是允许出现同名函数的,但是这并不构成函数重载,因为函数重载的前提是必须在同一个作用域定义两个同名函数,而这里很明显是在两个类域里定义的同名函数,所以一定不构成重载,而是构成函数的隐藏(只需要同名就构成隐藏了,要和后面的多态区分开)。

如果构成了函数隐藏的话,应该怎么区分调用这两个函数呢?很多人会以为能像函数重载的调用那样根据参数匹配程度来调用,但这个逻辑在继承里走不通,万一我就想利用隐式类型转换调用子的成员函数,但是参数却匹配了父的成员函数呢?万一是我参数写错了导致匹配错误的情况呢?这些问题都会导致歧义的发生。所以规定,只要构成函数隐藏,调用父类一定要指明类域,调用当前类的不用指明,如果不指明类域,一律只按调用当前类的函数来处理,就算此时调用匹配父类的函数参数。

我们这里还可以学到,虽然我们不能直接访问父类的私有成员_c == 9,但是我们可以选择调用父类的非private和protected函数,从而达到间接访问的目的。

如果没有函数隐藏,不管父类子类直接调用即可,只要能调到就可以。

(3)析构函数与构造函数

析构函数的理解相对复杂,我们先看一下下面的代码,这能帮助我们深入理解构造和析构函数:


#include <iostream>
using namespace std;


class A
{
public:
	~A()
	{
		delete _a;
	}
	int* _a = new int(1);
};

class B : public A
{
public:
	B()
		:_b(_a)
	{}

	~B()
	{
		A::~A();

		*_b = 2;
	}

	int* _b;
};

int main()
{
	B a;

	return 0;
}

结果是报错,接下来我会详细分析里面的代码

为什么写作A::~A();

析构函数的名字会被统一处理为destructor(),父子类的析构函数同名构成了函数隐藏,因此想要调用父的析构函数,就必须要指定类域,这个底层细节需要我们记住。这个特殊处理的原因在多态我会提及。

为什么报错?

由于在父类的析构函数调用后间接使用了父类的成员,所以出现越界访问的情况。

我们还能发现B的构造函数借助了A的成员变量。这里要区分开的是,在子类初始化父类时只能以父类为整体去调用它的构造函数如A(7,8,9),而本质上继承的只是它的成员变量,在子类的构造函数中可以直接用父类的成员。

如此一来,我们能发现,子类的构造函数可能会依靠父类的成员变量,若父类先析构,那在子类需要用到父类成员变量时就可能会发生越界访问。所以规定,父类的构造函数一定先于子类,父类的析构一定晚于子类(构造先父后子,析构先子后父)。

在实现层面上,由于子类的第一个成员变量默认是父类A,所以我们可以不用关心,毕竟初始化顺序是按声明而不是初始化列表。但是我们要避免显式地调用父类的析构,即A::~A()不要出现在我们的继承代码中。当子类的析构函数走完后,会去自动调用父类的析构。同理,如果没有显式写构造,编译器也会首先自动调用父类的默认构造。

MTK眼中6G物理层与无线协议的进化之路 提议统一波束和小区级的测量、报告和切换框架/流程,进一步减少移动性切换过程中的中断,采用可扩展框架/流程,允许在不同移动性场景中进行部分用户设备配置更新以实现快速切换,支持用户设备发起的移动性(同步/切换)以降低延迟和因信令交换导致的失败,设计移动性RS以实现空闲状态下的节能和连接状态下的无缝用户体验,实现5G/6G间的无缝互操作移动性,为固定无线接入(FWA)提供潜在增强,构建统一的跨层移动性框架以降低复杂度、减少中断和失败。为适应多样化的流量类型,需要灵活的帧结构和高层时间对齐。 阅读详情

相关推荐

从想法到零件:手把手拆解一个汽车功能如何从PRD写到SSTS和CTS

本文详细拆解了汽车电子需求从市场文档(MRD)到零部件技术规范(CTS)的完整流程,以雨天自动关窗功能为例,展示了PRD、SSTS和CTS的编写要点与交互设计。文章重点解析了系统分解的艺术和零部件落地的精确参数要求,为汽车电子工程师提供了从概念到实现的全流程实践指南。

weixin_30300225的博客 480

C/C++相关概念和易错知识点(40)(赋值兼容转换、多继承、继承与组合)

而一般来讲,protected成员更倾向于类功能的底层,函数更多,父类的书写者不可能去考虑子类调用的情况来适配,这对于书写子类功能的人来说无疑是一场灾难。,我们只能调用该类向外展示的函数接口,其余细节完全不知道,因此如果这个类出现了毛病,有人去维护,它们只需要修bug就行了,只需要保证对外提供的接口是安全的,功能是正常的就可以了。我们会发现,BCD都没有问题,但E就有问题了,E通过两条继承关系链继承了两次A,意味着E里面有两份A的成员变量,这是单继承永远碰不到的情况,这叫。这是子类给父类赋值的一种操作。

SGlow0708的博客 1699

FOC电机控制中电流采样延迟补偿的原理和方法

摘要: FOC电机控制中,电流采样、计算与PWM更新存在固有延迟(约1.5个PWM周期),导致相位滞后,限制电流环带宽。主流补偿方法包括: 一阶前向预测法:基于历史电流值预测未来电流,抵消延迟,工程应用广泛; 相位超前补偿:通过s/z域校正器设计实现等效预测; 状态观测器法(如龙伯格观测器):通过电机模型闭环估计状态,兼具噪声抑制和参数辨识能力,但复杂度高。实际需注意参数敏感性、离散化精度及延迟时间校准,避免过补偿风险。一阶预测法因平衡效果与复杂度成为工业首选。

jifengzhiling的博客 2231

浅谈c++中继承体系中易错点

浅谈c++中继承体系中易错点 目前,就我工作经验来看,在c++中继承最爱写错或者写忘记的有两点: 基类中需要覆盖的方法为设置为虚方法。 基类中的析构函数未设置为虚方法。 今天我们就基于这两点,展开讨论下,以免以后的工作中老爱犯错误。如果基类中需要覆盖的方法没有设置为虚方法会怎么样呢,后果就是继承了该类的子类,子类想要覆盖父类的方法,是不会成功的,在发生动态绑定的时候,依旧是调用父类的方法,并未调用子类的方法。我们直接以代码的方式来验证。 ...

南城小馆 545

CZT与FFT频谱分析方法对比:从任意频带重采样到高精度频谱分析

M = 85 % 输出点数f0 = 70 Hz % 起始频率DELF = 0.4 Hz % 频率步长频率分辨率提高到0.4 Hz分析带宽聚焦在[70, 103.6]Hz更清晰地分辨出78Hz和82Hz的频率分量。

2403_88098319的博客 1859

WSL2离线安装Ubuntu终极指南:绕过Microsoft Store慢速下载(附最新22.04 LTS离线包)

本文提供WSL2离线安装Ubuntu 22.04 LTS的完整指南,帮助开发者绕过Microsoft Store下载慢的问题。通过PowerShell命令配置环境、获取离线安装包并完成安装,同时包含初始配置、资源优化及常见问题解决方案,助您快速搭建高效的Linux开发环境。

c8d9e0f1的博客 899

史上最全C/C++面试题集锦

select、poll、epoll都是IO多路复用的一种机制,可以监视多个文件描述符,一旦某个文件描述符进入读或写就绪状态,就能够通知系统进行相应的读写操作。Select优点:可移植性好,因为在某些Unix系统中并不支持poll和epoll对于超时时间提供了更好的精度:微妙,而poll和epoll都是毫秒级Select缺点:支持监听的文件描述符fd的数量有限制,最大数量默认是1024个。

红军不怕远征难,万水千山只等闲 1万+

PyTorch深度学习实战(36)——Pix2Pix详解与实现

Pix2Pix 是基于生成对抗网络的图像转换框架,能够将输入图像转换为与之对应的输出图像,能够广泛用于图像到图像转换的任务,如风格转换、图像修复、语义标签到图像的转换等。Pix2Pix 的核心思想是通过对抗训练将输入图像和目标输出图像进行配对,使生成网络可以学习到输入图像到输出图像的映射关系。在本节中,将学习使用 Pix2Pix 根据给定轮廓生成图像。

盼小辉丶的博客 1万+

嵌入式C/C++语言相关知识——C++八股

参考该博客:https://blog.youkuaiyun.com/songbijian/article/details/132507421

why1249777255的博客 1699

【系统分析师】写作框架:软件设计模式及其应用

本文围绕"软件设计模式及其应用"展开论述。首先介绍了近三年参与的某软件开发项目背景及个人承担的系统设计工作。其次系统阐述了设计模式的三大分类:创建型(如工厂方法、单例模式)、结构型(如适配器、装饰器模式)和行为型(如观察者、策略模式),重点分析了各类模式的特点和典型应用场景。最后结合项目实践,详细说明了采用的三种设计模式的具体实施过程及效果,包括提高代码复用性、降低耦合度等优势。文章还总结了项目经验,指出存在的不足及改进方向,强调合理运用设计模式对构建高质量软件系统的重要性。全文通过理论

数据知道的博客 5060

(一)深入理解Bluez协议栈之蓝牙Mesh的支持(1/5)

BlueZ是Linux官方蓝牙协议栈。它是一个基于GNU General Public License (GPL)发布的开源项目,从Linux 2.4.6开始便成为Linux 内核的一部分。如果你是linux平台开发蓝牙的的工程师,肯定会接触过Bluez协议栈,hciconfig,hciattach,hciconfig等工具都是很好用的工具。

3321

面试中常见的C/C++面试必考题

面试中常见的C/C++面试题 写这篇博客的目的,主要是记录一下在面试、笔试中,经常遇到的C/C++相关的出现频率较高的知识点。 个人经验、能力有限,热烈欢迎大家提供自身经历过的真实原题及答案。(众人拾柴火焰高!) 1、C和C++的区别(至少说出三点) 答:(1)C++是面向对象语言,C是面向过程语言。 (2)结构:C以结构体struct为核心结构;C++以类class为核心结构。...

yishuihanq的博客 4337

本文将详细介绍如何在 Qt (C++) 应用程序中集成 osgEarth,加载三维数字地球,并在指定经纬度添加三维模型(如飞机、建筑等)。

OSG 与 Qt 的交互通常需要处理 OpenGL 上下文。osgEarth 3.x 提供了对 Qt 的较好支持,或者可以使用。在普通 OSG 程序中,你需要手动处理坐标系转换将经纬度转为笛卡尔坐标 (XYZ)。这是实现的关键,将 OSG 的渲染循环集成到 Qt 的事件循环中。第三方库,但在本教程中,我们将展示一种通过继承。,将 Qt 的输入事件转换为 OSG 理解的。事件,这是实现交互(旋转地球、缩放)的基础。来嵌入 OSG 视图的标准方法。在这里我们初始化地球并添加模型。节点简化了这一过程。

qq_45859163的博客 1044

asc-devkit OpTilingRegistry 构造与析构:创建和释放 Tiling 函数注册表对象

本文基于 asc-devkit(昇腾算子开发语言)仓库中的 API 文档 `docs/zh/api/Utils-API/Tiling_tuning/OpTilingRegistry/constructor_and_destructor.md` 展开,系统讲解 `OpTilingRegistry` 类构造/析构函数的 API 语义、源码级实现细节,以及该类在 Tiling 调测工作流中的定位与完整用

gitblog_00676的博客 134

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Linux下C/C++光标定位和清屏函数(printf)

Linux下C/C++光标定位和清屏函数(printf)

smallfish0315的专栏 1287

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

C/C++程序设计的基本概念详解

学C语言有很长一段时间了,想做做笔记,把C和C++相关的比较容易忽视的地方记下来,也希望可以给需要的同学一些帮助。我的这些文章不想对C和C++的语法进行讲解和罗列,这些东西随便找一本书就讲的比我清楚,我只是想把一般人忽视的地方尽自己所能描述一下。权当班门弄斧,贻笑大方了。首先我想先从C和C++的一些基本概念入手。

sillyoung的博客 357

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

【一文读懂】《Effective C++ 第三版》55 个 C++ 编程黄金法则

本文是《Effective C++》第三版(Scott Meyers 著)的导读,按原书 9 章顺序逐条梳理 55 个 C++ 编程黄金法则。全书以「C++ 是四个次语言(C、OO、Template、STL)的联邦」为认知框架,涵盖习惯 C++、资源管理、构造析构赋值、接口设计、继承多态、模板泛型编程、自定义内存管理与现代标准库。每条条款以「核心思想 + 易错代码示例 + 现代 C++ 对照」呈现,适合已掌握 C++ 基本语法想写出工业级代码的开发者。

码工许师傅 338

C C++面试笔试详细总结—基本概念及其它问答题_c++笔试概念题

答 :左右子树都是平衡二叉树 且左右子树的深度差值的绝对值不大于1。答 :可以用引用头文件的方式,也可以用 extern 关键字,如果用引用头文件方式来引用某个在头文件中声明的全局变量,假定你将那个变量写错了,那么在编译期间会报错,如果你用 extern 方式引用时,假定你犯了同样的错误,那么在编译期间不会报错,而在连接期间报错。答:可以,在不同的C 文件中以 static 形式来声明同名全局变量。

2401_85012620的博客 460

C++笔记

特性内存地址 (硬件)指针 (软件)‌本质‌无类型的数字带类型的内存引用‌目的‌标识位置安全访问数据‌操作‌直接读写类型检查+解引用+运算‌必要性‌物理存在防止错误+提供语义指针类型是编程语言在‌无类型的内存物理层‌之上建立的‌类型安全层确保数据被正确解释防止非法内存操作使指针算术有意义提供编译时类型检查这就是为什么虽然内存地址本身无类型,但我们仍需声明指针类型——它是连接底层硬件和高级抽象的桥梁。

Jesui的博客 1271

C++补充

文章目录C/C++1、在main执行之前和之后执行的代码可能是什么?2、结构体内存对齐问题?3、指针和引用的区别4、堆和栈的区别5、区别以下指针类型?6、基类的虚函数表存放在内存的什么区,虚表指针`vptr`的初始化时间7、`new / delete `与 `malloc / free`的异同8、`new`和`delete`是如何实现的?9、`malloc`和`new`的区别?10、宏定义和函数有何区别?11、宏定义和typedef区别?12、变量声明和定义区别?13、哪几种情况必须用到初始化成员列表?14

weixin_44318484的博客 942

【快速学习系列 - 阅读笔记 - 09】《高质量C/C++编程指南》

1)头文件的作用:通过头文件来调用库功能;加强类型安全检查。 注1:头文件中通常存储着被外部调用的API,以及共用的数据结构。 2)编译器就是将“高级语言”翻译为“机器语言”的程序。 注1:机器语言是一种指令集的体系,是CPU可以直接解读的数据。 注2:高级语言是相对而言,是以人类自然语言为基础,高度封装过的编程语言,更有利于人类与计算机的交互。 3)代码编译流程: 4)交叉编译就...

星辉领域 209

Effective C++ | 读书笔记 (三)

提前定义变量,有可能导致变量并没有使用(如中间抛异常了),而平白多了一个构造和析构成本。但是循环怎么办?// 方式AWidget w;i < n;...// 方式Bi < n;++i) {...做法A:1个构造 + 1个析构 + n个赋值操作做法B:n个构造函数 + n个析构函数打破本条款选择A的依据:(1)你知道赋值成本比“构造+析构"成本低。(2)你正在处理代码中效率高度敏感的部分。否则你应该使用做法B,维持变量尽可能在使用时定义的原则。请记住。

m0_74795952的博客 945

C++基础知识概念(二)

C++基础知识(二) 26 析构函数带 virtual 和 不带 virtual 的区别 如果基类要被派生,则析构函数一定要带 virtual。否则,通过基类指针指向派生类对象 后,删除该指针时并不会释放派生类对象的空间。也就是不会调用派生类的析构函数。 如果打算允许其他人通过基类指针调用对象的析构函数,就需要让基类的析构函数称为虚函数,否则执行delete的结果是不正确的。 不带 virtual...

SEDATER的博客 1261

C++ Primer 第 15 章「面向对象编程」实战解析:从 Quote 类层次到文本查询表达式引擎

本篇技术指南以当前开源仓库(Cpp-Primer,C++ Primer 5th 练习题解答集合)中 [ch15/README.md](https://link.gitcode.com/i/563e6600d8b766465dd96716b72091eb) 的 42 道练习解答为主线,系统梳理第 15 章「Object-Oriented Programming」的核心知识点:虚成员、protecte

gitblog_00140的博客 826

VS2017 C/C++输入密码显示*星号

VS2017 C/C++输入密码显示*星号 _getch()函数使用时遇到的坑 参考: https://blog.youkuaiyun.com/guin_guo/article/details/46237905 想实现输入密码不回显的功能,找到了上面一篇文章。上面那篇文章中的代码在dev里跑没有出现任何问题。 当我拿到VS2017里的时候,首先遇到的是getch()不安全,无奈...

awlrty0643的博客 1875

C++个人笔记

C++笔记

qq_54046894的博客 799
上一篇: C/C++相关概念和易错知识点(38)(array、模板)
下一篇: C/C++相关概念和易错知识点(40)(赋值兼容转换、多继承、继承与组合)
-SGlow-
博客等级 码龄3年 1513粉丝 118原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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