模板类实现数组

本文介绍了一个使用C++模板类实现的动态数组。该数组能够存储任意类型的元素,并提供了基本的操作如插入元素等。通过示例展示了如何实例化并操作这个泛型数组。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

   模板类实现数组 . 

#include<iostream>
using namespace std;

//数组:是一块连续空间
template<typename T>
class Array
{
public:
	//声明构造器
	Array();
	Array(T*,int);
	T at(int );//返回指定位置的元素
	unsigned short size();
	void insert(int,T);
private:
	T buf[100];
	int ilen;//存储元素的个数
};

template<typename T>
Array<T>::Array()
{
	ilen=0;
}
template<typename T>
Array<T>::Array(T buf[],int len)
{
	int i=0;
	for(i=0;i<len;i++)
		this->buf[i]=buf[i];
	this->ilen=len;
}
template<typename T>
T Array<T>::at(int index)
{
	return this->buf[index];
}
template<typename T>
unsigned short Array<T>::size( )
{
	return this->ilen;
}
//插入第loc位置之前:
//loc从1开始  
template<typename T>
void Array<T>::insert(int loc,T num)
{
	//为满 
	if(this->ilen==100)
		return;

	//先位移 loc=3 
	int i=this->ilen-1;
	while( i>=0 && i>=loc-1)
	{
		this->buf[i+1]=this->buf[i];
		i--;
	}
	//插入
	this->buf[i+1]=num;
	this->ilen++;
}

int main()
{
//实例化一个泛型:
	
	float buf[10]={1.1,2.2,3.3,4.5,5.6,6.7};
	Array<float> b(buf,6);
	//插入
	b.insert(3,7.9);		

	//遍历	
	int i=0;
	while(i<b.size())
		cout<<b.at(i++)<<" ";
	cout<<endl;
		
	return 0;
}

### 使用PyTorch加载CIFAR-10数据集进行图像分类 为了使用PyTorch加载CIFAR-10数据集并执行图像分类任务,通常会遵循一系列特定的操作流程。这些操作包括但不限于导入必要的库、定义转换函数、设置数据加载器以及准备用于训练和测试的数据。 #### 导入所需模块 首先,需要引入一些基本的Python包来辅助完成整个过程: ```python import torch from torchvision import datasets, transforms from torch.utils.data import DataLoader ``` #### 定义图像预处理变换 接着,创建一组适用于输入图片的转换规则,这有助于提高模型性能或加速收敛速度。对于CIFAR-10而言,常见的做法是对原始RGB像素值做标准化处理,并随机裁剪及水平翻转增强样本多样性: ```python transform_train = transforms.Compose([ transforms.RandomCrop(32, padding=4), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) transform_test = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4465), (0.2023, 0.1994, 0.2010)), ]) ``` 这里`transforms.Normalize()`中的参数分别代表均值(mean)与标准差(std),它们来源于CIFAR-10官方给出的经验数值[^1]。 #### 设置数据加载器 之后,利用上述配置好的转换对象实例化对应的`datasets.CIFAR10`类,并通过`DataLoader`构建迭代器以便后续批量获取批次(batch)形式的数据供网络学习之用: ```python trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform_train) trainloader = DataLoader(trainset, batch_size=128, shuffle=True, num_workers=2) testset = datasets.CIFAR10(root='./data', train=False, download=True, transform=transform_test) testloader = DataLoader(testset, batch_size=100, shuffle=False, num_workers=2) ``` 以上代码片段展示了如何基于PyTorch框架高效便捷地加载CIFAR-10数据集,并为其指定恰当的前处理方式以适应具体的机器学习应用场景需求[^2]。
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