墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
2k累计阅读
2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
写法
class A{
friend class B; // B可以使用A 的protected 和private
friend void fun();// 函数fun可以使用A的protected 和private
}
参考链接https://www.cnblogs.com/zhuyf87/archive/2013/02/25/2932682.html
private: 只能由该类中的函数、其友元函数访问，除此之外的用户程序都不能通过类对象对其进行访问；
protected: 可以被该类中的函数、子类的函数（public继承下）、以及其友元函数访问，除此之外的用户程序都不能通过类对象对其进行访问；
public: 可以被该类中的函数、子类的函数（public继承下）、其友元函数访问，在用户程序中也可以由该类的对象对其进行访问。
Windows11 下 Detectron2 的安装与配置全攻略
本文提供了在Windows11系统下安装和配置Detectron2的完整教程。详细介绍了从环境准备、创建虚拟环境、安装PyTorch与CUDA，到修改源码、编译安装以及运行验证Demo的全过程，帮助开发者克服Windows平台上的常见问题，成功部署这一强大的计算机视觉库。
C++之友元函数
友元函数：友元函数的定义、分类、三种友元函数举例，代码注意点，判断谁是谁的友元函数或类
Verilog流水线CPU设计（超详细）
快把这一篇给更了
【C++】友元函数 ( 友元函数简介 | 友元函数声明 | 友元函数语法 | 友元函数声明不受访问控制限制 | 友元函数参数要求 )
一、友元函数简介 二、友元函数声明 1、友元函数语法 2、友元函数声明不受访问控制限制 3、友元函数参数要求 4、友元函数示例 三、完整代码示例 - 友元函数
5分钟搞定！用L型匹配电路优化窄带天线性能（附Smith圆图实操）
本文针对窄带天线阻抗匹配难题，提供了一套5分钟快速解决方案。通过详解L型匹配电路的核心原理，并结合Smith圆图这一射频工程师的“瑞士军刀”，手把手指导如何选择拓扑、计算元件值并进行实际调试，旨在帮助硬件工程师高效优化天线性能，实现最大功率传输。
Basler相机和pylon viewer 的使用
文章目录1 线路连接2 安装和使用pylon 1 线路连接 电源线接到电源插座，网线接到电脑(电脑没有网口的话，可用转换器转到type-c接口)。 2 安装和使用pylon 参考 Basler pylon安装及对网口相机基本设置 相机和电脑以太网IP设置参考：balser相机IP设置 关于相机参数和pylon viewer的详细设置，可以参考pylon Viewer安装路径下的文档(Documentation) ...
C++友元函数
1、 友元函数不是类的成员函数，在函数体中访问对象的成员，必须用对象名加运算符"."加对象成员名。但友元函数可以访问类中的所有成员，一般函数只能访问类中的公有成员。2、友元函数不受类中的访问权限关键字限制，可以把它放在类的公有、私有、保护部分，但结果都一样。3、某类的友元函数的作用域并非该类作用域。如果该友元函数是另一类的成员函数，则其作用域为另一类的作用域，否则与一般函数相同。
PSINS惯性系初始对准与代码解读
本文参考“摇摆基座上基于信息的捷联惯导粗对准研究”(秦永元)，以及“严恭敏博士后研究报告”，详细解读并推导了静基座惯性系对准算法，并与PSINS代码进行对照解读。
C++ 详解友元函数
友元类（Friend Class）是C++中的另一个重要概念，它允许一个类将另一个类声明为自己的友元，从而使得被声明为友元的类可以访问该类的私有成员。比如在只声明B是A友元的情况下，B可以访问A的私有成员，但是A却不可以访问B的私有成员，即A不是B的友元。友元函数提供了一种在需要时访问类的私有成员的机制，但应该慎重使用，因为过多的友元函数可能破坏类的封装性。(1)友元类的所有成员函数都可以是另一个类的友元函数，都可以访问另一个类中的非公有成员。:如果B是A的友元，C是B的友元，则不能说明C是A的友元。
DB文件在编程中的作用及示例代码
通过使用DB文件，我们可以实现数据的持久化存储，并能够高效地进行数据的增删改查操作。在本文中，我们以SQLite数据库为例，演示了如何使用Python语言创建和操作DB文件的示例代码。在实际的编程中，我们可以根据具体的需求和使用的数据库系统来进行更复杂的操作和优化。通过使用DB文件，我们可以实现数据的持久化存储，确保数据在程序关闭后也能被保留，并且能够高效地进行数据检索和更新。在本文中，我们将探讨DB文件的作用，并提供一些示例代码展示如何在编程中使用DB文件。上述代码中，我们使用SQLite提供的。
【全局路径规划模块运动学算法】无人机Kinodynamic A*算法、Kinodynamic RRT*算法（附C++代码）
认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！本文先对Kinodynamic A*算法做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章提示：以下是本篇文章正文内容啃这个Kinodynamic A_star算法，建议先啃一啃高飞fast_planner那篇论文，把理论打好，如果还是比较迷，就先看Dijksta、再看A_star、再看hybrid A_star 三个的流程，因为往上资料比较多，再看这个Kinodynamic A_star算法，流程已经很相像了。如果。
【C++】C++中的友元函数详解
友元函数（Friend Function）是C++中的一个特殊概念，它允许非成员函数访问类的私有（private）和保护（protected）成员。这在某些情况下非常有用，尤其是当你想要实现某些操作，而这些操作需要访问类的内部数据，但又不想让这些操作成为类的成员函数时。在这个例子中，是一个友元函数，它可以访问MyClass类的私有成员。即使不是MyClass的成员函数，它仍然能够访问类的私有数据。private:public:// 声明友元函数// 友元函数的定义// 直接访问私有成员。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
C++ —— 友元函数
C++ 控制对类对象私有部分的访问。通常，公有类方法提供唯一的访问途径，但是有时候这种限制太严格，以致于不适合特定的编程问题。在这种情况下，C++ 提供了另外一种形式的访问权限：友元。友元有三种形式 —— 友元函数、友元成员函数、友元类。这里只介绍友元函数。 当函数被声明为类的友元函数，可以赋予该函数与类的成员函数相同的访问权限。 为什么需要友元函数 在为类重载二元运算符时常常需要用到友元函数。 例如，为一个时间类 Time 重载乘法运算符，使其可以乘以一个实数，部分代码如下所示： class Time {
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');```[](https://bitdeli.com/free "Bitdeli Badge")
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
cpp的友元函数和友元类
cpp的友元函数和友元类
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
【c++】cpp类的友元函数和友元类(friend关键字)
友元函数和友元类
【C++】友元函数
友元1.什么是友元函数 2.友元的作用 3.友元的优缺点 4.什么情况下可以使用友元 5.友元的使用 6.友元函数和成员函数的区别 背景：类具有封装性和隐藏性。类中的成员函数可以访问类的私有成员，类外代码中的函数无法访问类的私有成员；但是类外面的函数可以访问类的公有成员，但是把成员数据设置为公有，又会破坏类的隐藏性。此外，在某些情况下，尤其是多次调用成员函数时，由于参数传递，类型检查和安全性...
c++友元函数的定义和使用
类的封装性实现了数据隐藏，即类的私有成员在该类的作用域之外是不可见的。但有时可能需要在类的外部访问类的私有成员，为此 C++ 提供了一种允许类外的函数或其他的类访问该类的私有成员的方法，它通过关键字friend把其他类或函数声明为一个类的友元。 友元的使用就好比一个独立的个人，私有成员是个人的秘密，本来对外界是保密的，但对于好朋友却没必要隐藏，这样好朋友就可以了解个人的所有秘密。在编程中，如果模拟空调和遥控器的程序，就可以使用友元关系来处理，遥控器不是空调或空调的一部分，但可以改变空调的状态。 本...
C++_友元函数
1、为什么要引入友元函数：在实现类之间数据共享时，减少系统开销，提高效率 具体来说：为了使其他类的成员函数直接访问该类的私有变量 即：允许外面的类或函数去访问类的私有变量和保护变量，从而使两个类共享同一函数 优点：能够提高效率，表达简单、清晰 缺点：友元函数破环了封装机制，尽量不使用成员函数，除非不得已的情况下才使用友元函数。 2、什么时候
【C++细节】友元函数
概念 A friend function is a function that is not a member of a class but has access to the class’s private and protected members. Friend functions are not considered class members; they are normal exte
cpp的友元函数
友元函数的简单介绍为什么要使用友元函数友元函数是指某些虽然不是类成员却能够访问类的所有成员的函数。类授予它的友元特别的访问权。通常同一个开发者会出于技术和非技术的原因，控制类的友元和成员函数（否则当你想更新你的类时，还要征得其它部分的拥有者的同意）。 具体场景实际上具体大概有下面两种情况需要使用友元函数： （1）运算符重载的某些场合需要使用友元。 （2）两个类要共享数据的时候。 使用友元函数的优缺点
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
247
扫一扫
