【WIN32之旅】WINDOWS错误处理与参考(三)

本文介绍了在Windows编程中处理错误的API,包括GetLastError()和SetLastError()用于获取和设置错误代码,以及FormatMessage()函数用于格式化错误信息。通过示例展示了如何使用这些函数来理解和解析错误代码。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

转载请说明原出处,谢谢~ http://blog.youkuaiyun.com/seven_1992/article/details/44487785


    在WINDOWS编程中,我们在所难免会与“错误”打交道,但令我们“找不着北”的是,我们不知道是什么错误(What's Error?),亦或者是系统给出了错误代码(Error Code),而我们却郁闷着怎么没有详细的错误信息(Error Information),这样一个错误代码到底要表达什么意思(What's mean?)。 接下来要登场的就是几个与错误信息有关的系统API函数了,关于错误信息的处理与参考,下面就让我们来看看这几个函数吧。


一、 设置和获取错误代码

   当我们在代码运行的过程中,发生了错误,要获取或者设置错误信息,我们就要用到两个与此相关的函数 GetLastError()SetLastError(),可以看出,这是一对兄弟函数(Sibling Function,函数的命名总是这样,Get函数与Set函数总是成对出现,其实在我们平时与代码打交道的日子里算是家常了,关于这两个函数我们接下来就先来了解一下吧。


1、GetLastError()函数:

DWORD WINAPI GetLastError(void); // 获取最后一次错误代码

    这是MSDN上函数的原型,返回值为DWORD(双字型),函数调用约定为宏WINAPI(即__stdcall标准调用),输入参数为void(空参数型),MSDN上对该函数的解释是:获取该调用线程的最后一次错误错代码,该错误代码是基于线程的,多线程中各自线程的错误代码是独立而不相互覆盖的(简而言之,错误代码是线程级别拥有的,你使用该函数获取到的错误代码是该线程的)。


2、SetLastError()函数:

void WINAPI SetLastError(_In_ DWORD dwErrCode);  // 设置错误代码

    顾名思义,这个函数的作用也就是设置最后一次出错代码(Last-error Code),其实理解了它的兄弟函数GetLastError()的,我想对于这个函数的理解和运用也就不是那么难了。(同样,该函数设置的错误代码也是线程级别的)


    对于SetLastError()函数,同样有着一个扩展函数(Extension Function):

void WINAPI SetLastErrorEx(
  _In_  DWORD dwErrCode,
  _In_  DWORD dwType
);
    MSDN目前给出的解释是:目前,由于第二个参数暂时被忽略,该函数等同于SetLastError()。


PS. 关于错误代码(Error Code),MSDN上还有这样一段注释:

    错误代码是一个32位值,最高位也就是第31位是最重要的一位。第29位是专门用来给应用程序定义错误的(非系统错误该位必须设置),如果你要给应用程序定义错误,请设置此位为1,以表明该错误代码是由应用程序定义的。你需要保证你定义的错误代码不与系统定义的错误代码相冲突。

    

二、 格式化错误信息

    当然我们会说,GetLastError()SetLastError()两个函数也就是设置和获取错误代码,而既然是代码,我怎么知道这代码要表达的是什么意思?没关系,接下来要登场的就是我们的FormatMessage()函数:


    DWORD WINAPI FormatMessage(     // 返回值DWORD是消息格式化后的长度
    
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
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