Cpp Primer<<学习函数-局部对象、内联函数、类的成员函数_1

Cpp Primer<<学习IO标准库--输出缓冲区的管理、文件输入与输出_6 每个IO对象管理一个缓冲区,用于存储程序读系的数据。 缓冲区被刷新情况: (1)程序正常结束。即main函数返回工作的一部分,清空输出缓冲区。 (2)缓冲区已经写满,缓冲区在写下一个值之前刷新。 (3)用操作符显示地刷新缓冲区,类似于endl. (4)每次输出操作执行完后,用unitbuf操作符设置流的内部状态,从而清空缓冲区。 (5)将输出流与输入流关联起来。在读输入流是将刷新其关联的 阅读详情

函数

<局部对象>
在C++语言中,每个名字都有作用域,而每个对象都有生命期。名字的作用域指的是知道该名字的程序文本区。对象的生命期则是程序执行过程中对象存在的时间。
<<自动对象>>
自动变量(对象):只有定义它的函数被调用是才存在的对象成为自动对象。

void fun(int arg)
{
    // arg  自动对象(变量)
    auto int num; //  自动变量(对象)
}

函数被调用,则自动对象将在栈中分配局部存储空间
函数调用结束,则自动对象就会被收回局部内存空间
<<静态局部变量>>
在定义变量时,使用static关键字即可将该变量定义为静态局部变量。
静态局部变量,一旦被创建并初始化为0,直到程序结束该对象才会被撤销并收回存储空间。

size_t count_calls()
{
    static size_t ctr; // 自动初始化为零值..value will persit across calls
    return ++ctr;
}
int main()
{
    for (size_t i = 0; i != 10; ++i)
    {
        cout << count_calls() << end;
    }
    return 0;
}

<内联函数>
在定义函数的时候,在返回类型前加上关键字inline即可将函数定义为内联函数。
普通函数调用:
调用函数都要做很多工作:调用前要先保存寄存器,并在返回时恢复;复制实参;程序还必须转向一个新位置执行。
内联函数:则可以避免函数调用的开销。定义为内联函数,在程序中每一次调用点上都会”内敛地”展开。

inline shorterString(const string &s1,const string&s2)
{s1.size() < s2.size() ? s1 : s2}

调用时

cout << shorterString() << endl;

编译时将内联展开为:

cout << (si.size() < s2.size() ? s1 : s2) << endl;

内联函数应该放入头文件中定义,它的定义对编译器而言必须是可见的,以便编译器能够在调用点内敛展开该函数的代码。
在头文件中加入或修改内联函数是,使用了该头文件的所有源文件都必须重新编译。

<成员函数>
包含四部分:
函数返回类型、函数名、用逗号隔开的形参表(可为void)、包含在一对花括号里面的函数体。
函数原型提供了函数返回值的类型、函数的名字、传递实参的类型。函数体既可以在类中定义亦可以在类外定义。
扩展的类定义:

class Sales_item{
        public:
            //  operation on Sales_item objects
            double avg_price() const;
            bool same_isbn(const Sales_item &rhs) const
                { return isbn == rhs.isbn}

        private:
            std::string isbn;
            unsigned uints_sold;
            double revenue;
    };

定义成员函数的函数体
类的成员函数既可以在类的定义内定义也可以在类的定义外定义。编译器隐式地将在类内定义的成员函数当作内联函数。类的成员函数可以访问该类的private成员。
1.成员函数含有额外的、隐含的形参.

  • 调用成员函数,实际上是通过使用对象来调用
if(total.same_isbn(trans))
 成员函数的额外的、隐含的形参将该成员函数与调用该函数的对象捆绑在一起。这个额外的、隐含的形参就是this指针。

2.this指针的引入

  • 每个成员函数(除了static成员函数为)都有一个额外的、隐含的形参this指针。调用成员函数时,该形参将初始化为调用成员函数对象的地址。
total.same_isbn(trans);

则编译器将重写该函数如下:

Sales_item::same_isbn(&total,trans);

在此调用中,same_isbn成员函数中无前缀的isbn属于total对象。

3.const成员函数

  • 跟在成员函数形参表后面的const的作用:const改变了隐含this形参的类型,在调用total.same_isbn(trans)时,使之成为指向const
    Sales_item *类型的指针。
//This code is illegal:We may not explicitly define the this pointer.
//Note that this is a pointer to const because same_isbn is a const member.
    bool Sales_item::same_isbn(const Sales_item *const this,const Sales_item &rhs){
            return (this->isbn == rhs.isbn);
        }

该函数成为常量成员函数。
常量成员函数仅可以读取调用对象的数据成员,不可以修改对象的数据成员。
类似于

const int a = 2;
const int *p = &a; //const普通对象要求指向他们的指针、引用具有const属性

const对象、指向const对象的指针或引用只能用于调用其const成员函数,若尝试调用它们来调用的非const成员函数,则是错误的。

4.this指针的使用

  • this指针是隐式定义的,在成员函数中可以显示地使用this指针,但却不可以显示地define this 指针,实际上显示定义this指针也是非法。
bool same_isbn(const Sales_item &rhs) const{
            return (this->isbn == rhs.isbn);
        }

<< 类外定义成员函数 >>

  • 在类外定义成员函数需在函数返回类型与函数名之间使用类型名+作用域操作符(::)表明是该类的成员函数
type class_name::function_name(type args) const{
    /*your code*/   
}

形参表后面的const则反映了在类class_name中声明成员函数的形式。在任何函数定义中,返回类型和形参表必须和函数声明保持一致。对于成员函数同样适用。若函数被声明为const成员函数,则函数定义是形参表后面也必须有const。

<<类的构造函数>>

  • 特殊的成员函数—构造函数

    构造函数不同于普通成员函数,构造函数无返回值类型且与类同名,当创建类对象时,它被用于初始化类对象的数据成员。初始化式来源于构造函数形参表中的初始化式。构造函数通常应确保其每个数据成员都完成初始化。

string str; /*default constructor:empty string*/
vector<int> ivec;/*default constructor:empty vector*/

vector的默认构造函数则生成一个没有元素的vector向量对象,当然也就不能通过下标对该对象进行赋值以及读取数据。
string 对象为类类型对象,将通过类类型提供的默认构造函数初始化为”\0”

  • 定义构造函数
    通常构造函数作为类的接口一部分。构造函数放在pulic部分,放入private中,则使该类没有太大的作用。它的定义可以放在类内定义,也可在类外定义,但是需要类名+作用域操作符(::)放在构造函数的名称前面指明该构造函数是该类的成员函数。
    在类中定义它:
class Sales_item{
    public:
        //operations on Sales_item objects
        double avg_price()const;
        bool same_isbn(const Sales_item &rhs) const
        { return (isbn == rhs.isbn) };
        // default constuctor needed to initialize members of built-in type
        Sales_item():units_sold(0),revenue(0.0){}
        //private member as before
        private:
            std::string isbn;
            unsigned units_sold;
            double revenue;
    };
  • 构造函数的初始化列表

    在冒号和花括号之间的代码称为构造函数的初始化列表。它的初始化列表为类中的各个数据成员指定初值。基本数据类型,需显示地放在初始化列表中,类类型则可以不需要,可以由该对象所属的类的默认构造函数进行该对象的初始化。

  • 合成的构造函数
    由编译器创建的默认构造函数则称为合成的构造函数,其将依据变量初始化的规则初始化类中的所有成员。

    变量初始化规则:
    1.在全局作用域中定义一个对象,则自动初始化为0
    2.使用static关键字定义一个静态局部对象,则自动初始化为0
    3.定义一个类类型对象,则该对象的初始化由该对象所属的类 提供的默认构造函数去完成。

    合成的默认构造函数一般适用于仅包含类类型成员的类,对于含有内置类型的数据成员,则需要我们显示地提供默认构造函数以及数据成员的初始化列表。

  • 类代码文件的组织

    类定义放入单独的头文件中,类名作为头文件的文件名,类中函数的定义也单独放入一个文件中,与类名同名
    Sales_item.h和Sales_item.cc。定义函数的文件中必须包含声明这个函数的头文件。

《CppPrimer》C++编程核心技能全覆盖 本文还有配套的精品资源,点击获取 简介:《CppPrimer》是一本为C++初学者和有经验程序员准备的经典教材,详细介绍了C++的基础知识、核心概念与高级特性。本书包含了C++编程语言的全面知识,从基础语法到STL的应用,从继承多态到模板编程,还包括了C++11及更高版本的新特性,帮助读者建立扎实的C++编程基础和现代编程思维。 1. C++基础语法与数据类型 ... 阅读详情

相关推荐

高清电子书CPP.Primer中文版(第4版).part2

高清电子书 CPP Primer c++

CppPrimer自学(1)

11月14: 33章节类模板和泛型#include <iostream> #include <iomanip>using namespace std;template<class T> class Queue { struct Node { T a; Node * next; };public: Queue(); void p

桥粑粑的博客 400

内联函数&类的成员函数

个人笔记 个人笔记 个人笔记 个人笔记 个人笔记

C++中变量的作用域与生命周期

     今天在论坛上看到有朋友发帖问道:既然静态全局变量与全局变量都存储在全局数据区,为什么作用域却不一样呢?也许答案非常简单:C++就是这么规定的,静态全局变量与全局变量的唯一区别就是作用域不同。     对一个C++变量来说,有两个属性非常重要:作用域和生命周期,它们从两个不同的维度描述了一个变量--时间和空间。顾名思义,作用域就是一个变量可以被引用的范围,如:全局作用域、文件作用域、局

yunyun1886358的专栏 3万+

cpp primer

cppprimer.txt c++ primer c++的教程

五本CPP经典书籍&gcc源代码地址

svn://gcc.gnu.org/svn/gcc/trunk这个是GCC源代码的地下SVN的。 1.The C++ Programming Language Special 3rd Edition.pdf 2.Addison.Wesley.Effective.C.Plus.Plus.55.Specific.Ways.to.Improve.Your.Programs.and.Designs.3rd.Edition.May.2005.eBook-DDU.chm 3.Addison-Wesley - Design Patterns @ Elements of Reusable Object-Oriented Software.pdf 4.ISO 14882 C++2003.pdf 5.Addison.Wesley.Modern.C++.Design-.Generic.Programming.and.Design.Patterns.Applied.pdf

C++Primer——第一讲

C++Primer保姆级教程呐~

Sherry_HaibraAi的博客 3790

zabbix 监控EMC存储

经过搜索,找到了脚本地址,该项目应该是模板原作者创建的,该项目也有zabbix模板,和上面的应该是相同的,我用的是上面的模板。./unity_get_state.py --api_ip='X.X.X.X' --api_port='443' --api_user='zabbix' --api_password='PASSWORD' --storage_name="zabbix web前端配置的主机名" --discovery。修改权限,给zabbix用户执行权限,模板调用时以zabbix用户执行。

wangyfde的专栏 3758

Agent-S3深度解析:5大技术突破实现首个超越人类性能的智能体框架

Agent-S3作为首个在OSWorld基准测试中超越人类表现的开源智能体框架,标志着AI智能体在真实计算机交互领域实现了革命性突破。这一突破性成果不仅展示了AI在GUI自动化任务上的巨大潜力,更为技术决策者和开发者提供了首个超越人类水平的自动化解决方案。Agent-S3通过创新的架构设计和行为最优N次策略,在复杂计算机交互任务中达到了72.60%的成功率,创造了智能体技术的新里程碑。 **核心

gitblog_00532的博客 449

避坑指南:QT Creator报Unknown module(s) in QT: serialport的5种解决方法

本文详细解析了Qt Creator报'Unknown module(s) in QT: serialport'错误的5种解决方法,包括检查Qt版本兼容性、安装缺失组件、配置Kit环境等。针对Windows和Linux平台提供具体操作步骤,帮助开发者快速解决串口通信模块问题,提升开发效率。

weixin_29197051的博客 157

北航机器学习期末考试试题2020年春

北航机器学习期末考试试题2020春 看csdn上试题收费,积分还挺高,本着共享的理念,把2020春季ML考试的试题公开,若侵权,立删 前8道题10分,第9题20分 决策树采用ID3算法 对宇宙星球是否适合生存分类 SVM的原理;软间隔、硬间隔;以及对非线性样本点分类 集成学习的原理,以及及串行boosting以及bagging的简单概括 K-means与混合高斯模型的异同以及EM算法的原理,如何计算 马尔可夫随机场最大团;马尔可夫随机场的联合概率分布(势函数表示),贝叶斯网络联合概率分布 PCA主成分基于

qq_43343919的博客 5424

Cpp Primer<<学习函数-重载函数_2

<<重载函数>> 在同一作用域中,具有相同名字而形参表不同的两个函数数,成为重载函数。 函数重载简化了程序的事项,使程序更容易理解。函数名只是为了帮助编译器判断调用的是哪个函数而已。 Record lookup(const Account&); //find by Account Record lookup(const Phone&); //find by Pho

Hzwjz的专栏 665

【2024-06-21】网易互娱秋招实习笔试三道编程题解

恭喜发现宝藏!搜索公众号【TechGuide】回复公司名,解锁更多新鲜好文和互联网大厂的笔经面经。作者@TechGuide【全网同名】

试问道几许 1055

Cpp primer<<学习函数-实参类型转换、指向函数的指针_3

实参类型转换 转换优先等级以降序排列 精确匹配 通过类型提升实现的匹配 void f(int) int main() { f('a'); //ok:calls f(int) return 0; } 通过标准转换实现的匹配 void f(int*) void f(int*,int*) int main() { int a[] = {1,3}; f(a); //ok:

Hzwjz的专栏 663

环形平滑标签(Circular Smooth Label, CSL)技术详解

环形平滑标签(CSL)是一种优化算法,旨在解决旋转目标检测中角度预测的边界问题。通过将角度回归转化为分类任务,并利用窗口函数平滑标签分布,CSL有效处理了角度周期性的梯度突变问题。其核心原理包括角度离散化和平滑标签编码,通过高斯、矩形、三角等窗口函数生成概率分布。CSL在技术实现上涉及标签转换流程、模型结构调整和损失函数优化,显著提升了检测精度和稳定性。在DOTA数据集上的实验表明,CSL在mAP和角度误差方面优于传统方法。应用场景包括遥感图像分析、自动驾驶和工业质检,部署时需注意旋转NMS编译和ONNX导

浩瀚之水的专栏 641

QML 果冻抖动:用 Scale 动画模拟 Q 弹反馈

介绍果冻抖动效果:点击后卡片通过多段 ParallelAnimation 实现 Scale X/Y 反向缩放和逐步衰减,模拟果冻弹性形变;进阶版本加入小幅 Rotation 增加活泼感,适合游戏、儿童应用等趣味反馈场景。

u011186532的专栏 426

Cpp Primer<<学习IO标准库--面向对象的标准库_4

IO标准库提供的工具istream(输入流)类型,提供输入操作。 ostream(输出流)类型,提供输出操作。 cin(see-in):读入标准输入的istream对象。 cout(see-out):写到标准输出的ostream对象。 cerr(see-err):输出标准错误的ostream对象。cerr常用语程序错误信息。 >>操作符,用于从istream对象中读入输入。 <<操作符,

Hzwjz的专栏 674

流体动力学仿真软件:Star-CCM+_(15).用户自定义函数与模型

用户自定义函数(User-Defined Functions, UDFs)允许用户编写自己的函数,并在仿真中调用这些函数。UDFs可以用于定义复杂的边界条件、源项、材料属性等。Star-CCM+支持多种编程语言,包括C++、Fortran和Java等,其中最常用的语言是Java。用户自定义模型(User-Defined Models, UDMs)允许用户在仿真中引入自定义的物理模型。这些模型可以用于描述流体行为、化学反应、多相流等复杂现象。Star-CCM+提供了丰富的API来支持UDMs的开发。

kkchenjj的博客 557

Cpp Primer<<学习IO标准库--条件状态_5

条件状态 strm::iostate 机器相关的整形名,由各个iostream类定义,用于定义条件状态 strm:badbit strm::iostate类型的值,用于指出被破坏的流 strm::failbit strm ::iostate类型的值,用于指出失败的IO操作 strm::eofbit strm::iostate类型的值,用于支出流已经到达文件结束符 s

Hzwjz的专栏 909

Oracle EBS的帐套由“4C”构成,而华为MetaERP将其发展为“6C”

华为MetaERP从OracleEBS的"4C"架构升级为"6C",实现核算理念革新。核心突破在于将会计科目、核算维度和核算单元解耦,形成"科目表+维度库"的灵活架构。新架构优势显著:1)科目回归会计本质,管理维度独立扩展;2)支持无限维度的精细化核算;3)实现数据权限隔离和内部交易自动化;4)采用元数据驱动设计,为AI应用奠定基础。这一平台化架构解决了大型企业在全球化、多元化发展中的核算难题,相比传统架构具有更强的灵活性和扩展性。

金牌架构师 204

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'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('DeepLearnToolbox'));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('state',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'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',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 = 'sigm';%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, 'Too big error');```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('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';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)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';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, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% 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'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 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, 'Too big error');```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('state',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, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',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, 'Too big error');%% ex3 neural net with dropoutrand('state',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, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % 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, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % 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, 'Too big error');%% 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('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % 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, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Cpp Primer<<学习IO标准库--文件模式、字符串流_7

文件模式文件模式与条件状态标志一样,文件模式也是整形常量,用位操作符设置一个或多个模式。 文件流构造函数和open函数都提供了默认实参设置文件模式。 文件模式 in 打开文件读操作 out 打开文件读操作 app 在每次写之前找到文件尾 ate 打开文件后立即将文件定位在文件尾 trunc 打开文件时清空已存在的文件流 binary 以二进制

Hzwjz的专栏 778

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Cpp Primer<<学习容器与算法--顺序容器_8

容器与算法 顺序容器: 将单一类型元素聚集起来成为容器,根据位置存储和访问这些元素。容器中元素排列次序与元素值无关,而是与添加到容器的次序决定的。三种顺序容器类型:vector、list、deque(double-ended queue,简称”deck”) 三种顺序容器适配器:stack、queue、priority_queue 顺序容器类型 顺序容器 vector 支

Hzwjz的专栏 513

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

CppPrimer 学习笔记(1)

定义形式:类型说明符(type specifier) + 一个或多个变量名组成的列表。如初始化(initialize):对象在创建时获得了一个特定的值。初始化不是赋值!初始化 = 创建变量 + 赋予初始值赋值 = 擦除对象的当前值 + 用新值代替列表初始化:使用花括号{},如默认初始化:定义时没有指定初始值会被默认初始化;在函数体内部的内置类型变量将不会被初始化。建议初始化每一个内置类型的变量。尽量不要吧类定义和对象定义放在一起。如类可以以关键字struct开始,紧跟类名和类体。

www131864的博客 583

Umi-OCR终极指南:免费离线OCR软件的快速高效文字识别方案

你是否经常需要从图片、截图或扫描文档中提取文字?面对大量文档处理时,手动输入耗时费力,而在线OCR工具又担心隐私泄露?Umi-OCR正是为你量身打造的解决方案——一款完全免费、开源且支持离线使用的OCR文字识别软件,让你在3分钟内就能轻松上手,实现高效安全的文字提取。 **核心关键词:免费离线OCR软件** **长尾关键词:** 截图OCR快速识别、批量图片文字提取、本地OCR隐私保护、PDF

gitblog_00034的博客 615

C++阅读笔记:CppPrimer

阅读笔记:CppPrimerChap 1: Introduction1.1 Components1.2 Input & Output1.3 Comment 本文旨在记录个人阅读书籍 CppPrimer 时摘下的知识点,前篇皆为基础概念。 Chap 1: Introduction 1.1 Components 操作系统通过调用main函数来执行 C++程序。 一个函数的定义包括四部分:返回类型(return type) 函数名(function name) 形参列表(parameter list)

weixin_42800817的博客 992

(1)C++primer:总结

《C++ Primer 第五版》是 C++ 领域的经典教材,全面覆盖了 C++11 标准的核心特性,兼顾语法细节与编程实践,既适合初学者入门,也适合有经验开发者查漏补缺。以下从基础概念、核心特性、容器与算法、高级主题四个维度,提炼全书核心知识点。后续会进行单一详细讲解。目录第一章 开始第二章 变量和基本类型第三章 字符串 向量 数组第四章 表达式第五章 语句第六章 函数第七章 类第八章 IO库第九章 顺序容器第10章 泛型算法第11章 关联容器第12章 动态内存第13章 拷贝控制第14章 重载运算与类型转换

2501_93283929的博客 1081
上一篇: Cpp DS--单链表
下一篇: Cpp Primer<<学习函数-重载函数_2
hzwjz
博客等级 码龄12年 0粉丝 10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