第18章 用于大型程序的工具

C++ Primer系列 第18章 用于大型程序的工具 C++ Primer 用于大型程序的工具 阅读详情

1.  独立开发的库几乎不可避免的使用彼此相同的名字,一个库中定义的名字可能会与其他库中的相同名字冲突.为了避免冲突,可以将名字定义在namespace中.

2.  通过异常.我们能够将问题的检测和问题的解决分离,这样程序的问题检测部分可以不必了解如何处理问题.
  
有效使用异常处理需要理解
:
      
■ 在抛出异常时会发生什么

      
■ 在捕获异常时又会发生什么
      
■ 用来传递错误的对象的含义
  
异常是通过抛出对象而引发的,该对象的类型决定应该激活哪个处理代码.被选中的处理代码是调用链中与该对象类型匹配却离抛出异常位置最近的那个.
  
执行throw的时候,不会执行跟在throw后面的语句,而是将控制从throw转移到匹配的catch,该catch可是是同一函数中局部的catch,也可以在直接或间接调用发生异常的函数的另一个函数中.控制从一个地方转移到另一个地方的重要含义有
:
     1). 
沿着调用链的函数提早退出
.
     2). 
一般而言,在处理异常的时候会释放局部存储,所以被抛出的对象就不能在局部存储,而是用throw表达式初始化一个称为异常对象的特殊对象
.
  
异常对象通过复制被抛出表达式的结果创建,该结果必须是可以复制的类型
.
  
当抛出一个表达式的时候,被抛出对象的静态编译时类型将决定异常对象的类型
.
  
抛出指针通常是一个坏主意:抛出指针要求在对应处理代码存在的任意地方存在指针指向的对象.如果抛出的是指针的解引用.则对象不发生动态绑定.而是截断
.
  
栈展开期间,释放局部对象所用的内存并运行类类型局部对象的析构函数
.
  
在某些异常进行栈展开的时候,析构函数如果又抛出自己的未经处理的另一个异常,将会导致调用标准库terminate函数,一般而言,terminate函数将调用abort函数,强制从整个程序非正常退出.(所以我们一般也不考虑析构函数抛出异常).

3.  查找匹配的处理代码时,异常类型与catch说明符的类型必须完全匹配:
   
■ 允许从非const到const的转换,也就是说,非const对象的throw可以与指定接受const引用的catch匹配
.
   
■ 允许从派生类型到基类类型的转换

   
■ 将数组转化为指向数组类型的指针,将函数转换为指向函数类型的适当的指针.
在查找catch时,不允许标准算术转化,也不允许为类类型定义的转换
.
  
通常,如果catch字句处理因继承而相关的类型的异常,它就应该将自己的形参定义为引用.带有因继承而相关的类型的多个catch字句,必须从最低派生类型到最高派生类型排序.

4.  catch可以通过重新抛出将异常传递给函数调用链中更上层的函数.重新抛出是后面不跟类型或者表达式的一个throw: .空throw语句将重新抛出异常对象,它只能出现在catch或者从catch调用的函数中,如果在处理代码不活动是碰到空throw,就调用terminate函数.
  
虽然重新抛出不指定自己的异常,但仍然见一个异常对象沿链向上传递,被抛出的异常是原来的异常对象,而不是catch形参
.
  
捕获所有异常catch字句
:
    

  
为了处理来自构造函数初始化式的异常,必须将构造函数编写为函数测试块.可以使用函数测试块将一组catch字句与函数连成一个整体.

注意,关键字try出现在成员函数初始化之前并且测试的复合语句包围了构造函数的函数体.catch字句既可以处理从成员初始化列表中抛出的异常,也可以处理从构造函数函数体中抛出的异常.(构造函数要处理来自构造函数初始化的异常,唯一的方法时间构造函数编写为函数测试块.

5.  标准库异常类的继承:

exception
类型所定义的唯一操作是一个名为What的虚成员,该函数返回const char*对象,它一般返回用来在抛出位置构造异常对象的信息.

6.  通过定义一个类来封装资源的分配和释放,可以保证正确的释放资源,这一技术常称为”资源分配即初始化”简称RAII
  
可能存在异常的程序以及分配资源的程序应该使用类来管理那些资源.使用类管理分配和回收可以保证如果发生异常就释放资源.

7.  auto_ptr是接收一个类型形参的模板,它为动态分配的对象提供异常安全
  auto_ptr
只能用于管理从new返回的一个对象,它不能管理动态分配的数组.正如我们所见,当auto_ptr被复制或者赋值时,有不寻常的行为,因此不能将auto_ptr存储在标准库容器类型中.
  auto_ptr对象只能保存一个指向对象的指针,并且不能用于指向动态分配的数组,使用auto_ptr对象指向动态分配的数组会导致未定义的运行时行为.
  
■ 为异常安全的内存分配使用auto_ptr(它能在”任何时候”释放内存
)
  
■ auto_ptr是可以保存任何类型指针的模板

  
■ 将auto_ptr绑定到指针:(接收指针的构造函数为explicit,即必须使用初始化的直接形式来创建auto_ptr对象
  
■ auto_ptr对象的复制和赋值具有破坏性操作
  auto_ptr
和内置指针对待赋值和复制有非常关键的重要区别.当复制auto_ptr对象或者将它的值赋值给其他的对象时,将基础对象的所有权从原来的auto_ptr对象转给副本,原来的auto_ptr对象重置为未绑定状态.
  
另外,与其他赋值后者复制不同,auto_ptr的赋值和复制改变右操作数,因此赋值的左右操作数必须是可以修改的左值
.
  
注意:因为复制和赋值是破坏性操作,所以不能将auto_ptr对象存储在标准容器中.标准库的容器类型要求在复制或赋值之后两个对象相等,auto_ptr不满足这一要求,如果将ap2赋给ap1,则赋值之后ap1!=ap2,复制也类似
.
  
■ 如果要检查指针是否未绑定,可以在条件中直接测试指针,效果是确定指针是否为0,相反,不能直接测试auto_ptr对象
.
     auto_ptr
类型没有定义可用作条件的类型的转换,相反,要测试auto_ptr对象,必须使用它的get成员,该成员返回包含在auto_ptr对象中的基础指针(可将get后的值和0比较
).
   
注意:应该只用get询问auto_ptr对象或者使用返回的指针值,不能用get作为创建其他auto_ptr对象的实参
.   
  
■ auto_ptr对象与内置指针的另一个区别是:不能直接将一个地址(或者其他指针)赋给auto_ptr对象
.
          p_auto = new int(1024);
相反必须使用reset函数来改变指针
:
       if(p_auto.get())
       {
           *p_auto = 1024;
       }
       else
       {
           p_auto.reset(new int(1024));
       }
注意:调用auto_ptr对象的reset函数时,在将auto_ptr对象绑定到其他对象之前,会删除auto_ptr对象所指的对象(如果存在),但是,正如自身赋值是没有效果的一样,如果调用该auto_ptr对象已经保存的同一指针的reset函数,也没有效果,不会删除对象.

8.  异常说明指定,如果函数抛出异常,被抛出异常将是包含在该说明中的一种,或者是从列出的异常中派生的类型.
   
使用auto_ptr的限制
:
   
● 不要使用auto_ptr对象保存指向静态分配对象的指针,否则,当auto_ptr对象本身撤销的时候,它将试图删除指向非动态分配对象的指针,导致未定义的行为
.
   
● 永远不要是有那个两个auto_ptr对象指向同一个对象,导致这个错误的一种明显方式是,使用同一指针来初始化或者reset两个不同的auto_ptr对象,另一种导致这个错误的微妙的方式可能是,使用一个auto_ptr对象的get函数的接过来初始化或者reset另一个auto_ptr对象
.
   
● 不要使用auto_ptr对象保存指向动态分配数组的指针.当auto_ptr对象被删除时,它释放一个对象—它使用普通delete操作符,而非delete[]操作符

   
● 不要将auto_ptr对象存储在容器中.容器要求所保存的类型定义复制和赋值操作符,是它们表现得类似于内存类型的操作符:在复制(或者赋值)之后,两个对象必须具有相同值,而auto_ptr不具备这个特性.

9.  如果一个函数声明没有指定异常说明,则该函数可以抛出任意类型的异常.
  
如果函数抛出了没有在其异常说明中列出的异常,就调用标准库函数unexpected.默认情况下,unexpected函数调用terminal函数,该函数会终止程序

  
在编译的时候,编译器不能也不会试图验证异常说明.
  
基类中虚函数异常说明,可以与派生类中对应虚函数的异常说明不同.但是派生类虚函数的异常说明必须与对应基类虚函数的异常说明同样严格,或者比基类更严格
.
  
在另一指针初始化带异常说明的函数的指针,或者将后者赋值给函数地址的时候,两个指针的异常说明不必相同.但是.源指针的异常说明必须至少与目标指针一样严格.

10. 命名空间可以在全局作用域或者其他作用域的内部定义,但是不能在函数或类内部定义.需要注意的是:命名空间不能以分号结束.
  
在命名空间中定义的名字可以被命名空间中的其他成员直接访问,命名空间外部的代码必须指出名字定义在哪个命名空间中
.
  
命名空间由它的分离定义部分的总和构成,命名空间是累积的
.
  
可以用于管理自己的类和函数定义相同的方法来组织命名空间
:
    
● 定义类的命名空间成员,以及作为类接口一部分的函数声明与对象声明,可以放在头文件中,使用命名空间成员的文件可以包含这些头文件
.
    
● 命名空间成员的定义可以放在单独的源文件中
.
  
定义多个不相关的类型的命名空间应该使用分离的文件,表示该命名空间定义的每个类型
.
  
不能在不相关的命名空间中定义成员
.
  
全局命名空间使用∷来引用其成员(类似于VC中的Win32 API)

11. 未命名的命名空间与其他命名空间不同,未命名的命名空间的定义局部于特定文件,从不跨越多个文件
  
如果在文件的最外层作用域中定义未命名的命名空间,那么,未命名的命名空间中的名字必须与全局作用域中的定义的名字不同.
  
如果头文件定义了未命名的命名空间,那么在每个包含该头文件的文件中,该命名空间中的名字将定义不同的局部实体
.
  C++
不赞成文件静态声明.不赞成的特征是在未来版本中可能不支持的特征.应该避免文件静态而使用未命名的命名空间代替.

12. 命名空间头文件的使用:除了在函数或者其他作用域内部,头文件不应该包含Using指示或Using声明.在顶级作用域包含Using指示或Using声明的头文件,具有将改名字注入包含该头文件的文件中的效果.头文件应该只定义作为其接口的一部分的名字,不要定义在其实现中使用的名字.
  
命名空间别名
:namespace primer = cplusplus_primer;
  
用非常相似的方式确定类成员定义中使用的名字,只有一个重要的区别:如果名字不是局部于成员函数,就试着在查找更外层作用域之前在类成员中确定名字
.
  
可以从函数的限定名推断出查找名字是所检查作用域的次序,限定名以相反次序指出被查找的作用域
.
接接受类类型形参(或类类型指针及引用)的函数(包括重载操作符),以及鱼类本身定义在同一命名空间中的函数(包括重载操作符),在用类类型对象(或类类型的引用或者指针)作为实参的时候是可见的.说白了意思就是,在函数的参数中如果有该函数所属类,那么该函数可以不加限定名(类名
).
  
如果类在命名空间内部定义,则没有另外声明的友元函数在同一命名空间中声明(个人注解:在本书的翻译中,有一些地方是很难理解的,或者可以说翻译的很牵强,为了让读者更容易的理解,我一般都会用自己的话来解释它).他的意思就是说,如果类在命名空间内部定义,此时该类的友元函数在使用时可以不加限定.此种情况有点类似于上面说的那种情况,因为友元函数参数中已经有了限定名,所以该函数中可以不需要
.
还是同样举书上一个例子吧
:

13. 如果Using声明在已经有同名且带相同形参表中的函数的作用域中引入函数,则Using声明出错.否则Using定义给定名字的另一个重载实例.效果是增大候选函数集合.
  
如果命名空间函数与命名空间所在的作用域中声明的函数同名,就将命名空间成员加到重载集合中.

14. 在命名空间内部声明模板影响着怎样声明模板特化:模板的显示特化必须在定义通用模板的命名空间声明,否则该特化将于它所特化的模板不同名.
  
有两种定义特化的方式:一种是重新打开命名空间并加入特化的含义,可以这样做是因为命名空间定义是不连续的.或者可以用于在命名空间定义外部定义命名空间成员相同的方式来定义特化:使用由命名空间名字限定的模板定义特化
/
  
为了提供命名空间中所定义模板的自己的特化,必须保证在包含原始模板定义的命名空间中定义特化.

15. 多重继承与虚拟继承:
1). 
派生类的对象包括构造和初始化它的所有基类子对象
.
2). 
构造函数初始化式只能控制用于初始化基类的值不能控制基类的构造次序.基类构造函数按照本身的构造函数在类派生列表中的出现次序调用
.
    
构造函数调用次序既不受构造函数初始化列表中出现的基类的影响,也不受基类在构造函数初始化列表中的出现次序的影响.

16. 对于多重继承,派生类的指针或者引用可以转化为其任意基类的指针或者引用.
  
当一个类有多个基类的时候,通过所有直接基类同时进行名字查找.多重继承的派生类有可能从两个或者多个基类成成同名成员,对该成员不加限定的使用是具有二义性的.

17. 在C++中,通过使用虚继承解决这列问题.虚继承是一种机制,类通过虚继承指出它希望共享其虚基类的状态.在虚继承下,对给定虚基类,无论该类在派生层次中作为虚基类出现多少次,只继承一个共享的基类子对象.共享的基类子对象称为虚基类.
  
指定虚派生只影响了从指定了虚基类的类派生类.除了影响派生类自己的对象之外,他也是关于派生类与自己的未来派生类的关系的一个陈述.virtual说明符陈述了后代派生类中共享指定基类的单个实例的愿望
.
  
可以无二义性的直接访问共享虚基类中的成员.同样,如果只沿着一个派生路径重新来自虚基类的成员,则可以直接访问该重定义成员.在非虚派生情况下,两种访问都可能是二义性的
.
  
假定通过多个派生路径继承名为x的成员,则有下面三种可能性
:
  
■ 如果在每个路径中x表示同一虚基类成员,则没有二义性,因为共享该成员的单个实例
.
  
■ 如果在某个路径中x是虚基类的成员,则在另一路径中x是后代派生类的成员,也没有二义性---特定派生类实例的优先级高于共享虚基类实例

  
■ 如果沿每个继承路径x表示后代派生类的不同成员,则该成员的直接访问是二义性的.(像非虚多重继承层次一样,这种二义性最好用在派生类中提供覆盖实例的类来解决.

为了避免在应用于虚基类的时候可能出现的多次初始化基类的情况,我们从具有虚基类的类继承的类对初始化进行特殊处理:由最底层派生类的构造函数初始化虚基类.
  
无论虚基类出现在继承层次中任何地方,总是在构造非虚基类之前构造虚基类.






FoundationPose实战:从零部署到Demo运行全记录 本文详细记录了FoundationPose从零部署到Demo运行的全过程,包括Ubuntu环境配置、项目部署、依赖安装及常见问题解决方案。特别针对复现过程中的关键步骤如CUDA版本选择、Eigen3安装等提供了实用技巧,帮助开发者高效完成FoundationPose的部署与调试。 阅读详情

相关推荐

maya权重拷贝一对一,一对多

是不是有时候盔甲很多很碎头很大,用代理一个个拷贝很麻烦吧 用下面代码直接运行进行一对多或者一对一拷贝 第一个先选择参考物体,加选其他一堆有的没的有权重或没权重的物体执行一键拷贝,就可以啦 以下是源码送上,带走吧 ------------------------ #! -*- coding:utf -8 -*- #author:liubingdong #date:20...

weixin_30852367的博客 1535

第17章:用于大型程序的工具

1.  独立开发的库几乎不可避免的使用彼此相同的名字,一个库中定义的名字可能会与其他库中的相同名字冲突.为了避免冲突,可以将名字定义在namespace中.2.  通过异常.我们能够将问题的检测和问题的解决分离,这样程序的问题检测部分可以不必了解如何处理问题.  有效使用异常处理需要理解:      ■ 在抛出异常时会发生什么      ■ 在捕获异常时又会发生什么      ■ 用来传递错误

sunliangyuan的专栏 1342

Matlab蒙特卡洛模拟二维伊辛模型相变过程

一、什么是伊辛模型 伊辛(Ising)模型是描述磁系统相变最简单的模型,但模型里自旋之间的相互作用赋予了它奇妙的特性,最有趣的就是对称性破缺。这一模型可以被推广用于研究连续的量子相变、基本粒子超弦理论、动力学临界行为等,甚至被认为可以描述深林火灾、交通拥堵、舆论传播等社会经济现象。 如图,每个格点的方向只有向上或向下两者状态,但临近的自旋之间有相互作用,而且点阵可以是一维、二维、三维、甚至更高维...

http://www.icfgblog.com/ 2万+

为什么不要在STL容器中存储 auto_ptr 对象?

大多数C++ 程序员都知道不要把auto_ptr 对象作为STL容器元素来使用。但是很少有人知道到底是为什么。C++标准如是说:“STL元素必须具备拷贝构造和可赋值……”,其意思是说对象可以进行安全的赋值操作,可以将一个对象拷贝到另一个对象,从而获得两个独立的,逻辑上相同的拷贝。尤其是当一个对象被拷贝到目标对象后,原来的对象不会改变。但 auto_ptr 却不然,用 auto_ptr 进行赋值和拷贝操作不仅会改变目标拷贝,而且还明显地改变原来的对象。明确地说,就是原来对象将指针的物主身份转换成目标对象,与此

一面之媛 475

芯片硅前验证技术与驱动工程师实战指南

硅前验证是芯片开发流程中的关键环节,通过pre-silicon simulation等技术手段在流片前验证设计正确性。其核心技术包括软件仿真、FPGA原型验证和硬件仿真器解决方案,涉及Linux驱动开发、芯片架构理解和波形分析等核心技能。作为连接芯片设计与系统集成的桥梁,硅前验证能早期发现设计缺陷,节省数百万美元流片成本。以Cadence Palladium为代表的硬件仿真器,通过专用服务器系统实现比纯软件方案快100-1000倍的仿真速度,为驱动工程师提供完整的外设模型验证环境。掌握硅前验证技术可显著提升

weixin_42522857的博客 329

【CAPL实用开发】--- 使用VN1640A测试Busoff快慢恢复

使用VN1640A测试Busoff快慢恢复,包含具体的CAPL代码实现。

LabVIEW、CAPL、python、车载以太网等学习分享,文章正在写 2100

《c++primer》 第18章:用于大型程序的工具

多重继承允许一个类从多个基类继承,虚继承用于解决菱形继承问题。命名空间用于组织代码,避免命名冲突。异常处理用于处理程序运行时的错误。

qq_40844444的博客 412

香橙派5b 移植 imx415

修改设备树,以为例,关闭ov13855,添加imx4151;0;1;0;1;0;1;0;1;0;1;0;1;0;以此类推,修改三个dtsi。

ChenYX的博客 4554

第18章 用于大型程序的工具【C++】

关键词namespace,随后为命名空间的名称,然后为花括号。花括号内主要包括,类、变量(及其初始化操作)、函数(及定义)、模板、其他命名空间publicintage;}};mefunc();num);}要注意的是,命名空间作用域后面无须分号与类的声明定义规范非常相似publicintnum;};}print(){A}完全允许在namespace作用域外定义命名空间成员,但是要显式指出命名空间}voidAprint(){...

高万禄的博客 961

STM32F103多通道PWM输出避坑指南:TIM1_CH1异常输出的解决方案

本文深入解析STM32F103多通道PWM输出中的TIM1_CH1异常问题,提供从时钟配置到GPIO复用的系统化解决方案。通过黄金法则配置流程和高级调试技巧,帮助开发者快速定位并解决PWM输出不稳定、占空比异常等问题,同时拓展多定时器协同和互补PWM等高级应用场景。

weixin_29194817的博客 118

【短距离通信】【WiFi】精讲WiFi 6E协议!图解超赞超详细!!!

802.11ax(HE,HighEfficiency) (Wi-Fi 6E):6G频段共有1200MHz的频谱给到WiFi 6E使用,可用于从5.925GHz到7.125GHz。WiFi将可以访问59个20MHz信道,29个40MHz信道14个80MHz信道和7个160MHz信道。这不仅代表可以有很多频道,还可以代表可以解锁更高的数据速率。因为 802.11ax 标准(Wi-Fi 6)也在 2.4GHz 和 5GHz 频段运行,所以 6GHz 频段的 Wi-Fi 将被命名为 Wi-Fi 6E。

风云说通信 2347

第 18 章 用于大型程序的工具

练习 18.1: (a):异常对象的类型是range_error。 (b):异常对象的类型是exception。 如果将(b)中的throw语句写成throw p,将会出现运行时错误。throw *p被抛出的异常对象是对指针p解引用的结果。若写成throw p,则抛出的异常对象是exception*类型。 练习 18.2: 指针p不会被释放,造成内存泄漏。 练习 18.3: class intArray { public: intArray(size_t n): p(new int[n]) {

qq_38359705的博客 195

锐明技术Crocus系统 DeviceState.do SQL注入漏洞复现

锐明技术Crocus系统 DeviceState.do 接口存在SQL注入漏洞,经过身份验证的远程攻击者除了可以利用SQL注入漏洞获取数据库中的信息(例如,管理员后台密码、站点的用户个人信息)之外,甚至在高权限的情况可向服务器中写入木马,进一步获取服务器系统权限。

0xSec 454

C++ Primer 第18章:用于大型程序的工具

本文系统介绍了C++大型程序开发的核心工具,主要包含三大核心内容: 异常处理机制 异常抛出与捕获语法(throw/try/catch) 栈展开原理及RAII资源管理 异常安全三个级别(基本/强/不抛出保证) noexcept关键字与异常类层次设计 命名空间管理 基本命名空间与嵌套命名空间 匿名命名空间替代static using声明与指示的区别 实参依赖查找(ADL)规则 多重继承体系 常规多重继承的构造顺序 虚继承解决菱形继承问题 虚基类初始化规则 文中通过动物园动物继承体系、服务框架等完整示例,演示了异

qq_40843427的博客 529

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")

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

《C++ Primer》导学系列:第 18 章 - 用于大型程序的工具

掌握了异常处理的基本概念和使用方法,包括throwtry和catch关键字的用法。理解了栈展开和资源管理的机制,确保在异常情况下资源能够被正确释放。学会了定义和使用自定义异常类,能够提供自定义的错误信息。熟悉了函数try语句块的使用方法,能够在构造函数中处理异常。理解了noexcept说明符的作用及其在函数、指针和虚函数中的应用。熟悉了标准库中的异常类层次结构,了解各种常见的标准异常类。命名空间通过关键字namespace引入,用于定义一个作用域,其中可以包含变量、函数、类等声明。

iShare_Carlos的博客 1635

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

C++ Primer 第五版 学习总结(十八)第18章 用于大型程序的工具

命名空间的定义包含两部分:关键字namespace和随后的命名空间名字。在命名空间名字后面是一系列由花括号包围的声明和定义。能出现在全局作用域中的声明就也能出现在命名空间中。命名空间作用域后面不需要分号结束。和其他名字一样,命名空间的名字也必须在定义它的作用域内保持唯一。命名空间可以定义在全局作用域内,也可以定义在其他命名空间中,但是不能定义在函数或类的内部。每个命名空间都是一个作用域,不同命名空间内可以有相同名字的成员。

cf18862344377的博客 797

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

【C++ Primer】第18章 用于大型程序的工具 (1)

大型应用程序开发需要掌握的 3 种C++特性:异常处理、命名空间、多重继承。

HPP_优快云的博客 351

【C++ Primer】第18章 用于大型程序的工具 (2)

本章介绍用于大型程序的 C++ 特性:命名空间。

HPP_优快云的博客 389

第18章 用于大型程序的工具 18.2命名空间

18.2 命名空间 命名空间可以有效的防止变量名重复,命名空间就是一个作用域,可以在命名空间中定义命名空间,但是不能在类和函数中定义。 18.2.1 命名空间定义 使用这种方法来定义命名空间 namespace xxx{ } 命名空间都是一个作用域,所以和作用域中的变量是一样的,变量名字不能重复。 和作用域不一样的是,命名空间可以不是连续的。我们定义一个命名空间,如果之前没有这个空间,则创建这个...

大琪子的博客 203

【C++ Primer】第18章 用于大型程序的工具 (3)

本章介绍用于大型程序的 C++ 特性:多重继承与虚继承。

HPP_优快云的博客 432

第18章 用于大型程序的工具 18.3 多重继承和虚继承

多重继承实在是一个折磨人的东西。。。 18.3 多重继承和虚继承 18.3.1 多重继承 派生类的派生类表可以继承多个类,默认的继承方式和单继承是一样的,即class类默认使用private,struct默认使用public。 派生类构造函数初始化所有基类的时候,我们一般会在初始化列表中调用基类的构造函数。一个多重继承的派生类其构造顺序是按照派生列表中声明的顺序进行的。 对于多重继承,一个相同的基...

大琪子的博客 251

第18章 用于大型程序的工具(2)

luqilinok的博客 164

第18章 用于大型程序的工具(1)

luqilinok的博客 182

C++ Primer 5th 第18章 用于大型程序的工具

C++大规模程序设计至少存在三个特殊要求: 错误处理 库的引入 复杂建模 以上三种对应C++语言的三种特性:异常处理、命名空间、多重继承。 异常处理 异常处理机制是一种允许偷懒的工具,在出现非正确的情况时,进行错误之间的协作处理。异常使得问题检测和解决过程分离开来。程序的一部分检测问题,另一个部分专门解决问题。 抛出异常 在C++中通过抛出一个表达式来引发异常,...

weixin_30664539的博客 115

《c++primer第5版》知识导图第18章 用于大型程序的工具

下载链接

ucoooo的博客 504
上一篇: C/C++中extern关键字详解
下一篇: STL源码剖析vector
天天向上zb
博客等级 码龄16年 34粉丝 43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