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
300+累计阅读
379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
1、std::auto_ptr：来自标准库
2、smart_ptr：来自Boost，在Boost中的智能指针有：
a. scoped_ptr，用于处理单个对象的唯一所有权；与std::auto_ptr不同的是，scoped_ptr可以被复制。
b. scoped_array，与scoped_ptr类似，但是用来处理数组的
c. shared_ptr，允许共享对象所有权
d. shared_array，允许共享数组所有权
auto_ptr：http://blog.youkuaiyun.com/yipingfangmi/article/details/5452052
需要注意的点：不支持数组（析构函数是delete不是delete[]）、不适合stl容器、不能用于管理栈上的对象、所有权的转移。
// 不能用于管理栈上的对象，以下用法是错误的
int a;
std::auto_prt<int> myPrt(&a);
share_ptr：http://blog.youkuaiyun.com/yusiguyuan/article/details/37101633
H5获取手机相机或相册图片两种方式-Android通过webview传递多张照片给H5
H5调用公共获取图片文件方法，在android手机端，H5主要依赖Webview,这边在webview声明并重写该方法onShowFileChooser使用工具类打开相机或相册，可以两种方式安卓原生方式或者利用第三方组件库方式选中图片，返回uri列表给H5H5收到uri照片列表，并且使用前端方式展示创造价值，乐哉分享！
【C++11】智能指针深度详解（什么是智能指针？为什么需要智能指针？如何使用智能指针？）
智能指针这个名词听着挺唬人，其实也没啥，无非就是会自动销毁new出来的对象，对于日常使用来说，还是挺方便的，毕竟C/C++可没有隔壁Java的垃圾回收机制GC，得自己清理垃圾，智能指针可以自动完成垃圾清理这个工作
Nginx源码安装和基础配置
Nginx简介 nginx: 世界第二大web服务器软件，以高并发、低消耗著称，源自于俄罗斯，创建者 Igor（伊戈尔），2004年开源，最早以代理服务器的身份出现，2015成立nginx公司，2019年以6.7亿被F5 Networks公司收购。 代理服务器： 正向：squid 反向： squid:最古老的代理服务器 LVS： 优点： 1.抗负载能力强、是工作在网络4层之上仅作分发之用 2.配置性比较低，这是一个缺点也是一个优点，简单不易出错 3.工作稳定，抗负载能力很强，有完整的双机热备方案
【C++】智能指针
C++中的智能指针，重点讨论了其设计思路、使用场景及标准库中的实现。智能指针基于RAII（资源获取即初始化）原则，通过类的生命周期管理资源，确保资源在异常抛出时仍能正确释放，避免内存泄漏。标准库提供了多种智能指针，如auto_ptr（已弃用）、unique_ptr（独占资源）、shared_ptr（共享资源）和weak_ptr（解决循环引用问题）。shared_ptr通过引用计数管理资源，而weak_ptr则用于打破shared_ptr的循环引用，避免内存泄漏。此外，智能指针还支持删除器，允许自定
基于深度学习 YOLOv11 的快递包裹检测系统（Python + PySide6 界面 + 训练代码）
成为亟需优化的重要环节。随着电子商务的快速发展，物流行业面临着越来越大的压力，为了解决这些问题，我们提出了一种。目标检测算法，实现快递包裹的。的界面，供用户进行实时监控。本项目的主要目标是利用。
rk3588 适配音频解码芯片 ALC5616
在 RK3588 的高性能方案中，选择 **ALC5616**（来自 Realtek 瑞昱）通常意味着项目更侧重于**音频性能的稳定性**以及**全球供应链的通用性**。
【C++11】智能指针
早期在C语言中我们学习了指针，这个指针学起来真是一个头两个大，当然学习到了这里想必大家对指针就不在害怕了，为了填上C++的不足在C++11中就扩展了智能指针，难道智能指针就真的那么智能吗？⭐主体。
基于混合智能框架的景区边界范围预测与补全系统
摘要 本文提出一种混合智能框架，结合随机森林模型和GIS规则约束，解决景区边界缺失问题。系统基于Python和ArcGIS平台，利用多源地理空间数据训练随机森林分类器预测景区范围，并集成地形、水文、道路等GIS规则进行优化。实验结果表明，该方法能有效预测15000个景区的边界，精度优于单一模型。创新点在于： 1）数据驱动与知识驱动相结合的混合智能范式； 2）面向全国尺度的大规模边界补全； 3）提供完整的Python+ArcGIS实现方案。该系统为景区精细化管理提供了技术支撑，具有实用价值。
Qt 之 智能指针汇总
来源 还有其他一些，做了一些汇总和测试，就不全列了。 文章目录： 一、垂悬指针的问题 二、Qt中的智能指针 1、QPointer 2、QSharedPointer & QWeakPointer 3、QScopedPointer &n
GEE APP：基于GEE的红树林监测平台
本文将介绍如何利用Google Earth Engine平台，结合Landsat系列卫星影像和SRTM高程数据，实现红树林分布的动态监测与变化分析。
【工控基础】UVW平台踩坑
1 每个轴按顺时针或逆时针走一个距离，就是旋转。 2 图中W动，U轴V轴不动，就是X方向的平移 3 图中U轴V轴同时动，X不动，就是Y方向的平移。
QT中什么时候使用智能指针：智能指针解决了什么
从使用的层面来讲，智能指针其实是对裸指针（普通指针）的类封装，这使得智能指针实质是一个对象，使用感觉就像一个指针。利用RAII（资源获取即初始化）技术来实现智能指针的特性。使用智能指针的目的，最主要的任务就是解决内存泄漏的问题。通过智能指针来执行垃圾回收的任务。智能指针的这种能力赋予了C++语言本身进行内存垃圾清理的实现。通俗的讲，智能指针就是帮你做了你忘记delete操作的工作。
IDEA的使用指南
IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.
C++基础智能指针
独占智能指针会“拥有”它所指向的对象，某一时刻，只能有一个unique_ptr指向给定的对象，当该指针被销毁时，指向的对象也会随之释放。shared_ptr共享他指向的对象，多个共享指针可以指向（关联）相同的对象，在内部采用计数器机制来实现当新的shared_ptr与对象关联时，引用计数器增加1当shared_ptr超出作用域时，引用计数器减1，当引用计数器变为0时，则表示没有任何shared_ptr与对象关联，则释放该对象class Testpublic://名字。
ssm框架搭建
这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载
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")
rust智能指针
特性引用 (&T 和 &mut T)智能指针（如 Box、Rc）所有权引用没有所有权，只是借用数据智能指针拥有数据的所有权内存管理不负责内存管理负责内存管理，通常有自动销毁机制生命周期有明确的生命周期生命周期取决于智能指针本身数据存储位置引用通常指向栈或堆上的数据智能指针通常分配堆上的内存操作只提供对数据的访问提供更多的操作功能，如引用计数、自动清理等线程安全不保证线程安全一些智能指针（如 Arc）是线程安全的MyBox(x)
Camera2Demo
在Camera2 的基础上进行封装，使得Camera2一堆初始化逻辑与Activity分离，降低耦合度，完成预览拍照并保存的操作
[C++]智能指针用法
智能指针之间不能混用。weak_ptr要和shared_ptr搭配使用，不能单独使用weak_ptr。weak_ptr的lock()使用是要先调用lock()再调用expired()。调用lock()之后use_count+1。
关于智能指针（更新中）
在Java中，其自带垃圾回收机制，但c++不同。c++必须释放掉分配的内存，否则会造成内存泄露。由此c++11引入了智能指针。
C++之智能指针
C++智能指针介绍
智能指针总结
1.什么是智能指针？智能指针是 C++ 中用于管理动态分配内存的工具，通过封装原始指针并利用 RAII(资源获取即初始化)机制，自动管理对象的生命周期，避免内存泄漏和悬垂指针问题。智能指针是 C++11 引入的现代化特性，定义在 <memory> 头文件中。2.C++为什么要引入智能指针？自动管理内存 避免内存...
C++ 智能指针
智能指针
c++11之智能指针
智能指针是存储指向动态分配（堆）对象指针的类，用于生存期的控制，能够确保在离开指针所在作用域时，自动地销毁动态分配的对象，防止内存泄露。智能指针的核心实现技术是引用计数，每使用它一次，内部引用计数加1，每析构一次内部的引用计数减1，减为0时，删除所指向的堆内存。C++中用的最多的是下面三种智能指针C++11中提供了三种智能指针，使用这些智能指针时需要引用头文件std::shared_ptr：共享的智能指针std::unique_ptr：独占的智能指针。
C++智能指针
std::weak_ptr没有重载操作符*和->，因为它不共享指针，不能操作资源，所以它的构造不会增加引用计数，析构也不会减少引用计数，它的主要作用就是作为一个旁观者监视shared_ptr中管理的资源是否存在。std::unique_ptr是一个独占型的智能指针，它不允许其他的智能指针共享其内部的指针，可以通过它的构造函数初始化一个独占智能指针对象，但是不允许通过赋值将一个unique_ptr赋值给另一个unique_ptr。通过一个weak_ptr对象构造了一个可用的weak_ptr实例对象。
C++进阶：智能指针
其除了具备智能指针管理资源与指针操作的功能外，对智能指针的拷贝也做了相关的实现，其设计思路为拷贝后，将指针转移，将原有指针悬空。weak_ptr只做链接功能，因为weak_ptr与shared_ptr不是一个类型的智能指针，weak_ptr想要从shared_ptr获取资源只有两个方式，一是被声明为友元，二是为shared_ptr添加get接口，get接口必须使用const修饰this指针。自定义一个双向链表的节点，链表的每个节点都是动态开辟而出的，这里我们采用智能指针的方式去定义与管理。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
3096
扫一扫
