对const声明变量的奇异行为的探讨

45、概率与模糊性:粗糙事件与模糊事件概率的探索 本文探讨了概率理论与模糊性理论在处理现实世界不确定性中的应用,重点分析了模糊事件和粗糙事件的概率定义、性质及其条件概率。同时,介绍了近似贝叶斯网络分类器在信息系统中的应用,以及如何通过概率决策约简提高分类效率。这些方法为处理不确定信息提供了灵活的工具,并在决策和数据分析中具有重要价值。 阅读详情

The information in this article applies to:

- C/C++

----------------------------------------------------------------

奇异的现象:

我把这个试验的源代码列出来:

int main(int argc, char* argv[])

{

       const int x=10000;

       int *y=0;

       y=(int*)&x;

       *y=10;

       printf("%d/n", x);

       printf("%d/n", *y);

       return 0;

}

首先我们声明了一个const变量x,初始化为10000。然后让一个int指针y指向x。通过给*y赋值,从而改变了x的实际值!

虽然在Watch窗口中你明明看到x的值确实是10,但是printf出来的x的值却偏偏是10000!!

可是,这个已经被彻底抹去的10000,又是从哪里被找回来的呢?

 

我的解释:

这样的代码经过VC编译器的Debug版本的编译,最后生成的完整的汇编代码为(我做了注释,可以参考一下):

11:   int main(int argc, char* argv[])

12:   {

00401250   push        ebp

// 第一步,将基址寄存器(EBP) 压入堆栈

00401251   mov         ebp,esp         

// 第二步,把当前的栈顶指针(ESP)拷贝到EBP,做为新的基地址

00401253   sub         esp,48h

// 第三步,把ESP减去一个数值,用来为本地变量留出一定空间。这里减去48h,也就是

// 72 .

// 这里对前面的三步说明一下:ESP和EBP寄存器是堆栈专用的。堆栈基址指针(EBP)寄

// 存器确定堆栈帧的起始位置,而堆栈指针(ESP)寄存器执行当前堆栈顶。在函数的入口处,

// 当前堆栈基址指针被压到了堆栈中,并且当前堆栈指针成为新的堆栈基址指针。局部变 

// 量的存储空间、函数使用的各种需要保存的寄存器的存储空间在函数入口处也被预留出

// 来。

// 所以也就有了下面的三个压栈行为。

                    

// 下面是连续三个压栈,第4步:

00401256   push        ebx

// 将ebx寄存器压栈;EBX寄存器是段寄存器的一种,为基址 DS 数据段;

00401257   push        esi

// 将esi寄存器压栈;ESI寄存器是指针寄存器的一种。是内存移动和比较操作的源地址寄

// 存器;

00401258   push        edi

// 将edi寄存器压栈;EDI寄存器是指针寄存器的一种。是内存移动和比较操作的目标地址

// 寄存器

// 以上四步执行完之后,函数入口处的堆栈帧结构如下所示:

 

 

 

 

// 值得注意的是,上面所说的对于Debug版本才是正确的,对于Release版本可不一定对。

// Release 版本也许已经把堆栈基址指针优化掉了。

 

00401259   lea         edi,[ebp-48h]

//  第5步,lea指令装入有效地址,用来得到局部变量和函数参数的指针。这里[ebp-48h]就是基地址再向下偏移48h,就是前面说的为本地变量留出的空间的起始地址;将这个值装载入edi寄存器,从而得到局部变量的地址;

 

// 下面的这第六步可是非常的重要,请记住:

// 第六步,给段寄存器预先赋值:

0040125C   mov         ecx,12h

// ECX寄存器是段寄存器的一种,为计数器 SS 堆栈段。设为12h。

00401261   mov         eax,0CCCCCCCCh

// EAX寄存器是段寄存器的一种,为累加器 CS 代码段;设为0CCCCCCCCh。

 

00401266   rep stos    dword ptr [edi]

// 这句话是干吗的?

 

// 下面开始我们的代码了:

13:       const int x=10000;

00401268   mov         dword ptr [ebp-4], 2710h

// 第一步,在基地址向下偏移4个字节所指向的地址,将10000这个DWORD数值放进去;

// 可以看出的是,对于一个普通的int z = 10000;汇编代码依然是这个样子。说明从这句话

// 是无法分清楚局部const变量的初始化和普通变量的初始化的!这一点很重要!就是说编译器

// 从表面上是无法分清楚一个局部const变量和一个普通变量的。

 

14:       int *y=0;

0040126F   mov         dword ptr [ebp-8],0

 

15:       y=(int*)&x;

00401276   lea         eax,[ebp-4]

00401279   mov         dword ptr [ebp-8],eax

// 第2步,将x的地址装载到EAX寄存器;

// 第3步,再把这个地址作为一个数值导到y的地址,这样y就指向了x!

// 这是局部const变量声明的情况!

// 而对于全局const变量声明的情况,这句y=(int*)&x;的汇编却是:

// 00401276   mov         dword ptr [ebp-8],offset x (0043101c)

// 一个很显著的区别!

 

16:       *y=10;

0040127C   mov         ecx,dword ptr [ebp-8]

0040127F   mov         dword ptr [ecx],0Ah

// 第4步,通过ECX寄存器倒手,将y所指向的地址的数值修改为0Ah,也就是10!

// 编译器之所以允许这种修改const变量值的非法情况,是因为编译器并不知道这是一个

// const变量,它实在是和普通的变量太像了!

 

17:

18:       printf("%d/n", x);

00401285   push        2710h

// 第5步,将10000数值压栈!按照惯例,这个2710h会被存在当前栈顶指针前4个字节

// 处。原来ESP指向0012FF2C,所以现在指向0012FF28了。

// 编译器为什么会直接push一个常量入栈呢?

// 我觉得可能是这样:制定C++编译器规则的人想反正都是const变量了,它的值肯定不

// 能变。printf一个普通变量是倒手两个寄存器后把EAX寄存器的内容压栈,多影响效率呀。

// 还不如直接将这个const变量的值压栈呢。

 

0040128A   push        offset string "%d/n" (0042f01c)

// 再把格式化压栈;

// 这样,printf函数将取栈顶的内容打印,当然是按照%d/n来打印的,所以只会再取栈顶的

// 0x0012FF28指向的内容;所以打印出来的就是上面压栈的常量2710h!

// 这就是我给出的解释。请高手们指正。

 

0040128F   call        printf (004082f0)

00401294   add         esp,8

19:

20:       printf("%d/n", *y);

00401297   mov         edx,dword ptr [ebp-8]

0040129A   mov         eax,dword ptr [edx]

0040129C   push        eax

// 看,对于一个普通变量的printf

uniapp(全端兼容) - 最新详细实现预览pdf文件功能,uniapp安卓苹果app、H5网页、微信小程序、nvue等端打开本地或在线PDF文档进行预览,uniapp预览pdf教程(详细示例代码) uni-app,pdf,打开预览PDF,安卓app,苹果app,微信小程序,移动端,H5网页,手机网站,微信小程序、支付宝小程序,手机app端,nvue,uniapp预览PDF,App端 实现pdf文件预览,在app端怎么预览pdf,网页h5怎么预览pdf,pdf下载、上传和预览,H5预览pdf文件,小程序预览pdf,nvue平台怎么打开预览pdf呢,除了uni.opendocument还有什么方法打开,预览pdf的插件,pdf预览组件,uni-app实现PDF预览功能,app查看下载pdf文件,如何做pd 阅读详情

相关推荐

从ADS到SystemVue:当简单链路预算不够用时,我的射频系统级仿真方案升级实录

本文详细介绍了从ADS到SystemVue的射频系统级仿真升级路径,重点分析了基础链路预算在多端口元件和复杂场景下的局限性,并提供了SystemVue在非线性系统验证和跨域协同分析中的优势。通过实际案例展示了如何平滑迁移工具链,提升仿真精度和效率,适用于5G、毫米波雷达等现代射频系统设计。

weixin_34233974的博客 346

C语言基础学习 - 初识 C 语言(一)

C语言基础学习一

ChengYuanCY的博客 384

深入解析LCD DRM驱动框架中的KMS与GEM机制

本文深入解析了Linux内核中DRM(Direct Rendering Manager)驱动框架的核心机制,重点剖析了KMS(内核模式设置)与GEM(图形执行管理器)的工作原理。KMS作为显示系统的总指挥,负责原子化地控制CRTC、Encoder、Plane等硬件资源,确保画面同步更新,避免撕裂;GEM则作为显存大管家,通过DUMB和PRIME机制高效管理图形缓冲区的分配、共享与同步。文章结合RK3568平台实战,阐述了如何利用这些机制优化显示性能,并提供了调试技巧与常见问题解决方案。

weixin_29188997的博客 388

面向对象C++

第一章 1.1 程序设计方法 两种重要的程序设计方法:1. 面向过程;2. 面向对象。 面向过程:从功能的角度分析问题,将待解决的问题空间分解成若干功能模块,每个功能模块描述一个操作的具体过程。 面向过程的一个典型代表是结构化程序设计方法。 内聚:模块内各元素(代码与数据)批次结合的紧密程度。 耦合:不同模块间的以来紧密程度。 结构化程序设计方法的核心:1. 自顶向下、逐步求精的开发方法;2. 模...

grefwfdxz 558

Qualcomm平台下基于QSEE的指纹识别方案移植之四TA移植

本文只介绍TA移植的过程,不做技术分析,关于TA开发另做记录。 一、TA介绍 TA,Trusted application 可信应用,是运行于QSEE中的可执行程序。 指纹TA文件如下,形式一般是 xxx.mbn; xxx.b0 ~ xxx.b6, xxx.flist, xxx.mdt; xxx.mbn 可以理解为其它几个文件的集合,签名的时候用的就是这个文件,签完名之后,有对应的工具将它...

梦路遥 7549

基于PID算法的循迹小车

这一期为创客们带来基于PID算法的循迹小车制作 1.标准赛道示意图: (该赛道包含了:左直角、右直角、十字路口等路况) 2.灰度传感器安装示意图: (可根据实际情况调节各传感器之间的间距) 3.硬件原理图: 4.控制逻辑: 5.程序如下: #define leftA_PIN 7 #define leftB_PIN 6 #define left_Pwm_PIN 5 #define STBY...

qq_44343584的博客 4万+

关于const

const是C语言中的一个常量修饰符,就是说它修饰的对象为常量。如果想阻止一个变量被改变,那么可以选择使用const关键字。在为一个变量加上const修饰符的同时,通常需要对它进行初始化,在之后的程序中就不能再去改变它。 接下来介绍const修饰符的几种使用方法。 1,const修饰符在函数体内修饰局部变量。 const int a; int const a; const int *a;

vividly的学习小站 842

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

算法大师! 479

【机试题】2019大疆嵌入式笔试题A卷(附超详细解答)

前不久的大疆嵌入式线上笔试,可能是因为最近只是在做毕设项目,还没有来得及认真系统复习,直接崩了。就凭借着记忆,把一些记得住的笔试题分享一下,作下记录。 整个大疆嵌入式线上笔试,分为选择题(单选题、多选题)、填空题、简答题、编程题。也没有将所有的题目都记得,就分成填空选择题、简答题和编程题三块来介绍吧。   填空选择题 1、ARM指令和Thumb指令。(选择题) 解答:在ARM的体系结构中...

Yngz_Miao的博客 12万+

华为OD机试真题 新系统 2026-04-19 C语言 实现【8位LED控制器】

有一个8位LED控制器,包含8个LED灯(编号0-7),初始状态全灭,用8位二进制表示为:00000000。控制器可以接收以下三种指令: Lx:L表示点亮操作,x表示LED的编号(0一7),操作得到的结果是:点亮第x个LED灯,把状态设为1。 Dx:D表示熄灭操作,x表示LED的编号(0-7),操作得到的结果是:熄灭第x个LED灯,把状态设为0。 Tx:T表示切换操作,x表示LED的编号(0-7),操作得到的结果是:切换第x个LED灯的状态,若状态为0则变为1,为1则变为0。 现在给定一组指令字符串(0<

MISAYAONE的博客 149

微信开发 - 最新第三方网站接入微信登录、微信支付时,本地 redirect_uri 参数错误导致无法调试的解决方案(微信开放平台)完美解决每次都需要部署到线上测试,在本地使用本地 ip 就能轻松调试

redirect_uri参数错误,微信第三方登录,没有服务器时的测试方法,微信开放平台的回调域名怎么设置为本地域名IP,微信登录微信支付每次调试都需要放到服务器上怎么办,微信登录支付业务在本地调试不了怎么办,在本地怎么测试微信支付和登录,微信第三方登陆本地测试,怎么在本地进行测试,微信回调域怎么设置为本地IP,微信扫码登录redirect_uri参数错误,微信开放平台,微信开放平台开发的第三方登录和支付,vue2,nuxt2,vue3,nuxt3,uniapp,微信开放平台,公众号,微信支付,微信登录授权,

🏆 前端领域优质创作者 8791

C++模板元编程系列-2.类型转换与奇异的递归模板模式

  从本节开始正式介绍模板相关的高级设计和语法,要注意的是奇异的递归模板模式与混入都和继承有很强的联系。  我们都知道,在继承中派生类可以调用到基类的public成员和protected成员,但是在常规继承中,基类是不可能反过来调用到派生类中的任何派生类特有的成员的,但是在使用了奇异的递归模板模式的继承后,在基类中就可以调用到派生类特有的成员了,先来看看具体代码长什么样子: 运行结果如下:   上方代码的细节非常多,首先在标准继承的视角中,上方的继承体系是public继承,并且只有非虚函数,那么对于在函数

TCW1121的博客 209

【DRAM存储器三十】DDR4介绍-DDR4 SDRAM的主要技术特性之bank group,为什么要搞个group出来?

详述DDR4 bank group的作用

highman110的博客 2139

循环中的var js let_再学ES6(一):var、let、const

声明变量的方式:1- 在没有函数的时候,直接在外部声明a,是隐式的声明全部变量。2- 在有一层函数的时候,函数内部声明a,也是全局变量。3- 在有一层函数的时候,外面有a,里面也有a,是对全局变量的(重新)赋值。4- 当有两层函数,且内部都是直接a=xx来声明5- 当有两层函数,但是外层是以var关键字来声明由此可见,并不是所有情况,a=xxx时都是声明全局变量。6- 当有两层函数,内层函数是以v...

weixin_33013787的博客 83

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

JavaScript之为什么要用let代替var

javascript中用 var 声明变量,存在以下问题: 声明的变量为全局变量(被誉为JS最大设计缺陷之一): var a = 123; console.log(window.a); // 123 这造成了在开发大型项目或引入三方库时,很容易覆盖已有变量。 变量提升: console.log(a); // undefined var a = 1; 这种奇异的行为会...

睡魔的博客 2782

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")

【C++学习笔记】变量和基本类型

int:内置int 全局int默认初始化为0,函数体内的不被初始化 如果初始化会为 未定义的奇异值string: 内置的string 无论是全局还是函数体内 默认初始化均为 空字符串声明:将一个变量的名字让电脑知道 没有初始化 变量前+ 关键字extern定义:声明并初始化变量,需要申请存储空间如果在函数体内初始化一个由extern 标记的变量会报错变量可以多次声明但只能定义一次。

Rose Future M 534

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

C++ Coding Standards:Summary of Summaries-编码风格

By Herb Sutter, Andrei Alexandrescu 著树人 译编码风格14.      优先使用编译时和链接时错误,而不是运行时错误。不要把可以在构建时做的事情推迟到运行时来做:优先编写那些在编译阶段利用编译器来检查不变量的代码,而不是在运行时来检查它们。运行时检查时控制和数据是独立的,也就是说你不能彻底地了解它们。相反,编译时检查是非控制和数据独立的,而且它还能提供更高等级的

树人的森林 1190

【自学】C++Primer 变量和基本类型

C++ 变量及基本类型

Rose Future M 492

C++编程思想学习笔记

1。声明与定义:声明是向编译器介绍名字---标识符。而定义为名字分配存储空间。 定义也可以是声明。如果定义int x;之前,编译器没有发现标识符x,编译器则把这一标识符看成是声明并立即为它分配存储空间。我们常用的写法,int i;就属于这种"定义是声明的"情况,纯粹的变量声明应该使用extern关键字。函数声明extern可以省略,因为编译器可以通过函数名后面跟的是;还是{来判断是声明还是定义。

十八进 1595

C++编程思想学习

1。声明与定义:声明是向编译器介绍名字---标识符。而定义为名字分配存储空间。 定义也可以是声明。如果定义int x;之前,编译器没有发现标识符x,编译器则把这一标识符看成是声明并立即为它分配存储空间。我们常用的写法,int i;就属于这种"定义是声明的"情况,纯粹的变量声明应该使用extern关键字。函数声明extern可以省略,因为编译器可以通过函数名后面跟的是;还是{来判断是声明还是定义。

落 忆 无 痕 1164

C++开发必备:结构化速查手册与核心语法陷阱解析

在编程语言中,C++以其强大的性能和控制力著称,但其庞大的语法体系和不断演进的标准也给开发者带来了记忆负担。理解其核心概念,如面向对象编程、内存管理和标准模板库(STL),是高效使用该语言的基础。这些原理支撑着C++在系统软件、游戏引擎和高性能计算等场景中的技术价值。针对日常开发中频繁遇到的语法细节查询需求,一份精心设计的速查手册至关重要。它通过结构化分类(如类型系统、函数、容器)和场景化索引(如“迭代器失效时如何处理”),帮助开发者快速定位解决方案,尤其聚焦于 **`const`关键字的多重含义**、**

weixin_33874713的博客 403
上一篇: Win32程序函数调用时堆栈变化情况分析
下一篇: 反汇编深入分析函数调用
iiprogram
博客等级 码龄25年 1068粉丝 1515原创
评论 2
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