《每日一练》-实现一个单例模式

这篇博客探讨了C++中的单例模式实现,包括饿汉式和懒汉式的详细代码实现,并分析了它们的线程安全性和效率。同时,介绍了指令重排可能导致的单例陷阱,以及C++11通过静态内部变量解决这一问题的方法。文章最后提出,在C++11环境下,静态内部变量可以简化单例模式的实现并保证线程安全。

单例模式

23种设计模式与面向对象

在这里插入图片描述

单例模式

饿汉式

/*************************************************************************
	> File Name: 1.singleton.cpp
	> Mail: 1136984246@qq.com
 ************************************************************************/
// 单例模式四要素(a-b)
#include<iostream>
using namespace std;
// 饿汉
class Singleton {
public:
    static Singleton* getInstance(); // 静态成员函数
private:
    // 构造函数必须私有,外部不可调用构造函数 --(a)--
    Singleton() {
        cout << "new";
    }
    Singleton(const Singleton&)=delete; // ?拷贝构造函数
    Singleton& operator=(const Singleton&)=delete; // ?赋值运算符?
    static Singleton* instance; // 静态私有成员变量 (全局唯一性,保证线程安全) --(b)--
};
// 饿汉标志:1.无需使用的时候再new,不支持延时加载,但是线程安全(在线程未创建时完成静态成员的初始化),调用时getInstance直接return;
// 不支持延迟加载 --(c)-- :有问题早发现,假如单例创建时有问题(OOM,内存泄漏),在创建时就报错,而不是使用时才报错
Singleton* Singleton::instance = new Singleton();
// getInstance在线程安全的情况下要效率高 --(d)--
Singleton* Singleton::getInstance() {
    return instance;
}
int main() {
    Singleton *s = Singleton::getInstance();
    Singleton *ss = Singleton::getInstance();
    Singleton *sss = Singleton::getInstance();
    return 0;
}

懒汉式

/*************************************************************************
	> File Name: 2.singleton.cpp
	> Mail: 1136984246@qq.com
 ************************************************************************/

#include<iostream>
#include <mutex>
using namespace std;

// 懒汉模式:简单加锁 -> 双重检测

class Singleton {
public:
    static Singleton* getInstance();
private:
    Singleton() {
        cout << "new" << endl;
    }
    Singleton(const Singleton&)=delete;
    Singleton& operator=(const Singleton)=delete;
    static Singleton* instance;
    static std::mutex m_mutex;
};

Singleton* Singleton::instance = nullptr; // ?
std::mutex Singleton::m_mutex;

// 双重检测
Singleton* Singleton::getInstance() {
    if (instance == nullptr) {
        std::lock_guard<std::mutex> lock(m_mutex); // ?
        if (instance == nullptr) {
            instance = new Singleton();
            // 指令重排:有一定概率,与CPU有关 -> 解决方案 -> java中的jvm,c#的volunteer,windows的c++ 
            // new非原子性操作 1.find找空间 2.alloc构造器 3.return (期待的方式)
            // 实际上:X86的优化:由于alloc费时,而且return之后,不一定直接使用 -> 先return后alloc
        }
    }
    return instance;
}

int main() {
    Singleton *s = Singleton::getInstance();
    Singleton *ss = Singleton::getInstance();
    Singleton *sss = Singleton::getInstance();
    return 0;
}

在这里插入图片描述在这里插入图片描述

指令重排与单例陷阱

对于指令重排:假如有线程A,B,A拿到锁,B阻塞,当A进行new操作,先find,再return;进行return instance先释放锁,过一段时间period再alloc;在这段period中,B拿到锁,再次做了一遍new;

c++11的静态内部变量

公司中本质上是C++98,要不用饿汉模式,要不就是复杂原子操作的懒汉模式。有c++11,直接用静态内部变量就可以了。

/*************************************************************************
	> File Name: 3.singleton.cpp
	> Mail: 1136984246@qq.com
 ************************************************************************/

#include<iostream>
using namespace std;
// 静态内部变量
class Singleton {    
public:
    ~Singleton() {
        cout << "out" << endl;
    }
    static Singleton& getInstance() {
        // 在内部new,实现了延迟加载
        static Singleton instance; // c++11 static 线程安全
        return instance;
    } 
private:
    Singleton(const Singleton&)=delete;
    Singleton& operator=(const Singleton&)=delete;
    Singleton() {
        cout << "new" << endl;
    }
};

int main() {
    Singleton &s = Singleton::getInstance();
    Singleton &ss = Singleton::getInstance();
    Singleton &sss = Singleton::getInstance();
    return 0;
}

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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