回调函数初识

先从库函数说起

学过编程语言的人对函数的概念应该都不陌生。C中的stdio.h,C++中的iostream,java中的java.util.*等等。这些库都是大师为了方便设计者使用语言而写的,我们在程序开发中无时无刻不在和这些库打交道。当然,我们还可以设计自己的库,严格来说,每一个程序文件都是一个库,不过这里说的库是那些具有某些通用性的库,这些库里面的函数和对象经常被其他程序模块使用。其实再深入一点,编程是可以分为应用编程系统编程的,应用编程就是我们平时编的程序,用来完成某些业务功能。而系统编程其实就是指的编写各种各样的库,这些库为业务编程提供了某些基础操作。

什么是回调函数

在一般的编程模式中,都是应用层调用系统层,也就是我们的代码调用库函数。这种单项调用的框架非常简单,其示意图如下所示:


这种单向的控制逻辑有一个缺点,那就是缺乏定制性。因为库函数是已经写好的,在大多数情况是不允许修改的,甚至有些情况下我们得到的库函数是以二进制形式给出的,这其中涉及版权之类的非技术问题,就不多说了。这就使得我们在使用库函数时,只能按照库函数给出的接口(API)将所有参数准备好,然后传给库函数完成一个非常固定的功能。那么我们能否在不改动库函数的前提下控制库函数的行为呢?这听上去有点儿不可思议,其实也非常简单,我们把要库函数做什么告诉它就可以了。要做的事情是由一个函数描述的,而这个函数就称为回调函数,告诉它的方法就是把这个函数的地址告诉它,也就是传给它一个函数指针。

总之,我们要做的事情是在应用层自己写一个函数,然后把这个函数地址传给库函数,再在库函数里调用这个函数。其调用模式如下图所示:


在这里,我们把主调函数称为起始函数,可以看出,它和回调函数都位于应用层,属于我们的可控范围。而系统层的库函数只是回调了这个函数。这里注意两点:一是“回调函数”其实是被调函数,而不是发起回调的那个函数,回调动作是库函数发起的;二是“回调”的“回”是指回到了应用层,而不是又回到了起始函数,其实任何有两次及以上调用的代码都可以看做是回调函数的模型,也就是说这个回调函数不一定是你自己写的,也可以是其他库函数。但这里的主要区别是函数指针的使用,是我们告诉库函数去调用哪个函数,这是增加定制性的关键。

回调函数的实现

说了半天理论,还是上代码看看吧

//main.cpp 用于模拟应用层
#include <iostream>
#include "CallBackTest.h"

using namespace std;

int CallBackFun()//回调函数
{
	cout<<"这是我们定制的回调函数..."<<endl;
	return 0;
}
int main()
{
	
	FunctionToCallBack(CallBackFun);//第一次调用,调用库函数
	system("pause");
	return 0;
}

//CallBackTest.h
#ifndef _CALL_BACK_TEST_H
#define _CALL_BACK_TEST_H

int FunctionToCallBack(int (*pFun)());

#endif
//CallBackTest.h 用于模拟系统层
#include "CallBackTest.h"

int FunctionToCallBack(int (*pFun)())
{
	pFun();//第二次调用,调用回调函数
	return 0;
}

这里为简便起见,就用主函数做了起始函数,在主函数里调用库函数,在调用同时,把回调函数的地址传给它,在库函数里根据传入的地址进行回调就可以了。

回调函数有什么用

回调函数在C++标准库里的算法中有着非常广泛的应用,在这里回调函数被称为的谓词函数。举个简单的例子,对元素的排序算法是非常常见的一种算法,标准库里面也提供了很多排序算法,比如sort,stable_sort等等。我们可以把这些排序算法看做是库函数(它们本来也就是库函数),这些函数都提供一个含有函数指针(一般称为comp)的版本,这个comp就是我们的回调函数。排序是一个普遍的操作,但排序的规则却不尽相同,同样是做一份成绩单,我们可以按照总分排序,也可以按照某一科的成绩排序,甚至按照这个同学父亲的官职大小排序。所以就有了排序是普遍的要求,但具体排序规则要临时定制,这正好是回调函数的应用场景。这些例子就不多举了,有兴趣的去查看一下C++标准库函数就可以了。

回调是一种技术,更是一种思想

在不支持指针的一些高级语言(比如Java)中,利用其它技术来实现回调功能。这种编程方法被升华抽象成一种设计模式,称为委托模式,这里不去讨论设计模式的利弊,只是想说明一下回调这种“把我们的具体要求传给我们的马仔”的方式不仅仅是一种编程技巧,更是一种解决问题的思维方法。








训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 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!
内容概要:本文介绍了一种基于CEEMDAN-BiLSTM的中短期天气预测模型,通过将完全集合经验模态分解自适应噪声(CEEMDAN)与双向长短期记忆网络(BiLSTM)相结合,实现对复杂气象时间序列的高精度预测。首先利用CEEMDAN对原始气象数据进行多尺度分解,获得多个本征模态函数(IMF)分量和残差,有效解决模式混叠与噪声干扰问题;随后对各IMF分量分别构建BiLSTM模型进行独立预测,充分发挥其对前后时序依赖的建模能力;最后通过集成重构输出最终预测结果。文中还包含了数据预处理、特征提取、模型评估与可视化等完整流程,并提供了MATLAB实现的部分代码示例。该方法显著提升了天气预测的准确性与鲁棒性,适用于多类气象要素的中短期趋势预测。; 适合人群:具备一定机器学习和时间序列分析基础,从事气象、环境、能源等领域研究或工程应用的研发人员、高校研究生及数据科学家。; 使用场景及目标:①应用于温度、风速、降水等气象变量的中短期精准预测;②解决传统模型在非线性、多尺度气象信号建模中的局限性;③构建智能气象预测系统,服务于电力调度、灾害预警、智慧农业等实际业务场景。; 阅读建议:建议结合MATLAB代码实践操作,深入理解CEEMDAN分解机制与BiLSTM建模细节,重点关注数据预处理、模型参数调优与结果集成策略,同时可扩展至多变量联合预测以提升应用价值。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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