c++primer学习笔记

C++ Primer学习笔记 《C++ Primer》第五版 阅读详情

1.       通过增加后缀L,U或UL,能强制将整型字面值转换为long,unsigned,unsigned long.

多字节字符串转宽字节字符串前加L,如”hello”->L”hello”

2.多行字符串的连接。

cout<<”a multiline”

“string”

<<endl;

多行字面值的连接

std::cou/

t<<”print”<<endl;

3.const可以替代define,避免使用魔数。

定义时必须初始化,而且以后不能再修改。

默认为文件的局部变量,要想在其他文件中访问,定义时指定extern。

4. 引用

         引用是别名,定义时必须初始化,只要该引用存在,它就保持绑定到初始化时指向的对象,不能将引用绑定到另一对象。

非const引用只能绑定到与该引用同类型的对象。

const引用可以绑定到不同但相关的类型的对象或绑定到右值。

5.指针

对指针进行初始化或赋值只能使用以下四种类型的值:

(1)0值常量表达式

(2)类型匹配的对象的地址

(3)另一对象之后的下一地址

(4)同类型的另一个有效指针

void*指针可以保存任何类型对象的地址。

指向const对象的指针,const指针

6.指针访问数组

int ia[]={0,2,4,6,8};

int* ip = ia;

ip=&ia[3];

(1)     指针的算术运算

ip = ia;

int* ip2 = ip + 4;

指针的算术操作只有在原指针和计算出来的新指针都指向同一个数组的元素,或纸箱该数组存储空间的下一单元时才合法。

(2)     解引用和指针算术操作之间的相互作用

int last = *(ia+4);

(3)     下标和指针

int* p=&ia[2];

int j=p[1];  //points ia[3]

int k=p[-2]; //points ia[0]

(4)     计算数组的超出末端指针

const size_t arr_size=5;

int arr[arr_size]={1,2,3,4,5};

int* p=arr;

int* p2=p+arr_size;

(5)     输出数组元素

for(int* begin=arr; begin!=arr+arr_size;++begin)

cout<<*begin<<’  ‘;

指针是数组的迭代器。

7.vector和其它容器类型的形参

c++程序员倾向于通过传递指向容器中需要处理的元素的迭代器来传递容器。

void print(vector<int>::const_iterator beg,vector<int>::const_iterator end)

{

         while(beg != end)

{

         cout<<*beg++;

         if(beg != end)

cout<<”    “;

}

}

8.数组形参

数组有两个特殊的性质:影响我们定义和使用作用在数组上的函数:一是不能复制数组,二是使用数组名字时,数组名字会自动转化为指向第一个元素的指针。

三种方式指定数组形参:

void printValues(int*);

void printValues(int []);

void printValues(int[10]);                   //此处长度容易引起误解,没什么用

通过引用传递数组

void printValues( int (&arr)[10]);

有三种技巧确保函数的操作不超出数组的边界,一是数组本身放置一个标记检测数组的结束,如字符数组,二是传递指向数组第一个和最后一个元素的下一个位置的指针。三是将第二个形参定义为数组的大小。

9.函数指针

bool (*pf)(const string&,const string&);

typedef bool (*cmpFcn)(const string&,const string&);

bool lengthCompare(const string&,const string&);

cmpFcn pf1=0;

pf1=lengthCompare;

调用

lengthCompare(“hi”,”bye”);    //直接调用

pf1(“hi”,”bye”);                           //隐式解引用

(*pf1) (“hi”,”bye”);                     //显式解引用

函数指针作形参

void useBigger(const string& ,const string&, bool (*)(const string&,const string&));

函数指针作返回值

int (*ff(int))(int*,int);        //该函数名为ff,一个int形参,返回函数指针,指向的函数形参为//(int*,int),返回为int

允许将形参定义为函数类型,但函数的返回值必须是指向函数的指针,不能是函数。

《C++ Primer》学习笔记目录汇总 《C++ Primer》第五版章节目录第1章 开始第2章 变量和基本类型第3章 字符串、向量和数组第4章 表达式第5章 语句第6章 函数第7章 类第8章 IO库第9章 顺序容器第10章 泛型算法第11章 关联容器第12章 动态内存第13章 拷贝控制第14章 重载运算与类型转换第15章 面向对象程序设计第16章 模型与泛型编程第17章 标准库特殊设施第18章 用于大型程序的工具第19章 特殊工具与技术 章节目录 第1章 开始 ????学习笔记 ????习题检测 第2章 变量和基本类型 ????学习笔记 ? 阅读详情

相关推荐

C++ Primer 第4版全面学习笔记总结

C++,作为一门集面向对象编程、泛型编程和低级操作于一体的语言,是许多IT专业人士编程生涯的开端。掌握其基础语法是迈出成功的第一步。指针是C++中的一个基本概念,它存储了一个变量的内存地址。指针的声明需要使用星号(*)来标识,例如:int *ptr;// ptr是一个指向int类型的指针在声明指针时,可以同时进行初始化,将它指向一个已存在的变量的地址:// ptr现在指向value的地址函数是执行特定任务的一段代码,它有助于实现代码的模块化,使得复杂程序易于管理和理解。

weixin_32102617的博客 1130

C++ Primer读书笔记

这是一份自己对C++ primer的精读笔记,现在对C++基本是个小白状态,故而这份笔记也仅分享一个初学者的阅读状态,计划在半年左右将该书读完,尽可能做一些对原文的理解注释与整理归纳,期以之提高自己的C++基础语法水平。

m0_64144465的博客 763

C++ Primer Plus第6版学习笔记与代码实践指南

C++是一种静态类型、编译式、通用的编程语言,由Bjarne Stroustrup于1983年在贝尔实验室开发。它支持过程化编程、面向对象编程以及泛型编程。C++广泛应用于软件开发领域,尤其适用于系统/应用软件、游戏开发、驱动程序、高性能服务器和客户端开发。函数的声明是告诉编译器函数的接口信息,包括函数名、参数类型和返回值类型。函数定义则是提供了函数的实现细节,包括函数体中的具体操作。声明和定义的区分,保证了模块化编程的灵活性和编译过程的高效性。// 函数声明// 函数定义a : b;

weixin_35750483的博客 969

C++primer学习笔记

第一天 1.基本算数类型 bool char wchar_t:用于扩展字符集 short int long float double long double 2.字面值常量 以0开头的是八进制 以ox开头的是16进制 128u (unsigned) 1l (long) 3. 字符 ‘A’ 表示单个字符A “A” = “A \0” 表示 字母A和空字符 两个字符 字符串 4. 初始化 直接初始化和复制初始化 直接初始化更灵活更高效。 int ival(1024); //直接初始化 int ival

kevenbalabala的博客 358

《C++ Primer》学习笔记精华提炼

C++的程序结构通常包括预处理指令、全局变量、函数、类等。基本数据类型包括int、char、float、double等,以及它们的派生类型如数组和指针。C++程序的执行从main()函数开始。面向对象编程(OOP)是C++中最核心的概念之一,其基础是类(Class)和对象(Object)。类是创建对象的蓝图或模板。对象是类的实例化,即根据类的定义所创建的具体实体。在C++中定义一个类需要使用关键字class后跟类的名称以及类体,类体放在花括号{}之内。

weixin_32661831的博客 1082

c++primer 学习笔记

C++primer的笔记,可以看一下,一些容易犯错的陷阱

C++ primer 学习笔记记录

用以记录在读经典书籍《c++ primer》时的笔记。构建一套完整的体系结构。以及将对一些重难点进行其他材料的拓展和补充。

weixin_45016269的博客 392

CentOS7上装不了最新Chrome?别折腾依赖了,试试这个老版本安装法(附103.0.5060.24 beta下载地址)

本文提供了在CentOS7上安装兼容版Chrome的详细指南,解决了因GLIBC版本限制导致的最新版Chrome无法安装的问题。推荐使用Chrome 103.0.5060.24 beta版本,并附有下载地址和完整安装步骤,包括禁用自动更新和配套工具安装,确保系统稳定性和功能完整性。

weixin_29289821的博客 567

c++primer—读书笔记【全能详细版】

C++primerd读书笔记

谢谢大家的关注 2438

西电2023秋季机器学习复习提纲

西电2023秋季机器学习复习提纲,希望对学弟学妹有帮助

weixin_62083045的博客 5633

【processing】创意编程

首先接到这个作业的时候,我是很崩溃的,我是真的不会画画QAQ,还画自己,这也太难了,于是我决定!还是祸害我爱豆吧!于是我从微博太太那里找了个图临摹 下面是太太的图 先给太太道歉!都是为了作业! 然后我画出来是这样子的 还可以!!!没有特别丑!(虽然也不是特别像吧) 但是画这个真是画死我了,下面贴上代码吧,没啥特殊的就是各种贝塞尔曲线各种圆各种线 //face stroke(70,27,11...

qq_25700571的博客 1267

c++primer笔记

类内初始化不能用圆括号。迭代器指向某个元素or指向容器中尾元素的下一位置,有效。其他情况都属于无效。

weixin_50601962的博客 1047

把MinerU集成到Dify

本文介绍了如何将本地部署的MinerU与Dify平台进行集成。首先需要确保Dify和MinerU在Docker环境中正常运行,并通过配置虚拟网络实现互联。然后详细说明了在Dify平台安装MinerU插件的步骤,包括从插件市场搜索安装、配置连接参数等关键操作。特别强调了要等待MinerU容器完全启动(healthy状态)后再进行Dify配置,否则会出现连接错误。通过简单的URL指向和API密钥设置,用户即可实现Dify平台与本地MinerU算力网络的对接,为后续的AI应用开发提供基础支持。

lyxerlau的博客 313

C++ Primer Plus 学习笔记(第2章 开始学习C++)

C++ Primer Plus 学习笔记(第2章 开始学习C++)

whzpz77的博客 181

12S BMS 核心设计:基于 STM32H743+BQ34Z100 的 SOC/SOH 实现与全链路技术解析(上)

本文详细介绍了基于STM32H743和BQ34Z100的12串锂电池管理系统(BMS)设计。该系统采用主控制器+专用电量监测计架构,可实现高精度SOC(±1%)和SOH(±2%)估算,支持36V-50.4V电压范围。硬件设计包括电压/电流采样、温度测量、保护电路等模块,软件实现基于HAL库开发,采用DMA方式提高I2C通信效率。系统通过TI专利的ImpedanceTrack™算法实现三维融合估算,并具备完善的保护功能。该设计适用于电动工具、轻型电动车等中功率设备,具有精度高、响应快。

bother3000的博客 1392

【PCIe 总线及设备入门学习专栏 1.3 -- PCIe 基础知识 lane和link介绍】

PCIe RC(Root Complex)是PCIe树的根节点,一个RC 可以包括多个 RP(Root Port),例如一个16 条 lane的PCIe RC 可以包括4个RP(4个x4的),或者8个RP(8个x2的)等等。在该模式下,数据传送由CPU执行I/O端口指令来按照字节或更大的数据单位来处理,占用大量的CPU资源,数据传输速度也大大低于DMA模式。国内应该有公司做出相应的phy芯片(例如芯动科技、牛芯半导体),毕竟常见的pcie 3.0才8 Gbps的速率,最新的6.0才64Gbps。

CodingCos的博客 2104

学习笔记-C primer Plus 第5章

学习笔记-C primer Plus 第5章 1.Typedef机制:使用typedef为现有类型创建别名,例如,typedef double real; real dead;这两行的含义表示把real创建为double类型的变量。 2.递增运算:i++和++i:前者++后缀表示使用i的值之后,递增i。后者++前缀表示先递增i,然后使用i的值。 3.没一个表达式都有一个值,比如q>5就代表不是0就是1. 4.C标准中,声明不算是一个语句,区别与C++。 5.类型转换:由较小范围类型转换成较大类型时,为

bengba_dragon的博客 392

使用 MATLAB/Simulink 对基于同步发电机的双机系统进行建模

双机系统(Two-Machine System)是电力系统中用于研究动态稳定性和控制策略的一个典型模型。它由两台同步发电机通过输电网络相互连接,模拟实际电网中的互联操作。当发生短路故障时,系统的暂态稳定性会受到挑战,可能导致发电机失步或电压崩溃。本教程将带你使用 MATLAB/Simulink 对基于同步发电机的双机系统进行建模,并对其在短路故障条件下的暂态稳定性进行仿真和分析。

amy_mhd的博客 216

《C++ Primer Plus》学习笔记1

C++ Primer Plus》学习笔记1 第二章、开始学习C++ 1、控制符endl 如果显示字符串时,在字符串中包含换行符,而不是在末尾加上endl,这样可以大大减少输入量;如果是要生成一个空行,我们认为endl比较方便。 2、在C和C++中,不能把空格、制表符、回车放在元素中间,也不能把回车符放入字符串中间;但是可以把空格放入字符串中间。 3、为什么int main()主函数中

Voidwalkerxiaohui 1766

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

C++ Primer Plus学习笔记之复合类型(上)

个人觉得学习编程最有效的方法是阅读专业的书籍,通过阅读专业书籍可以构建更加系统化的知识体系。一直以来都很想深入学习一下C++,将其作为自己的主力开发语言。现在为了完成自己这一直以来的心愿,准备认真学习《C++ Primer Plus》。为了提高学习效率,在学习的过程中将通过发布学习笔记的方式,持续记录自己学习C++的过程。本章首先将介绍C++的基本类型:整数和浮点数。同时会介绍一种标识存储的数据的方法——使用变量;接着介绍如何在C++中进行算术运算;最后,介绍C++如何将值从一种类型转换为另一种类型。为把信

weixin_36114953的博客 658

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++ primer 学习笔记][00]关于

【关于博客】 原来用chinaunix(CU)来着,但改版了有好多问题,先转到csdn。 应该自己弄个域名啥的,哈哈~不过,感觉csdn上的牛人还挺多,自己又没有牛到非得自己架个博客服务器,所以先用着csdn~ 没啥时间打理博客,在CU上也只是黏贴点有用的东西,感觉好惭愧啊~ 努力写点原创,对大家有用的东西~鸭梨好大 【关于C++ primer笔记】 最近突然用到c++不得不再

reesun的专栏 492

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

C++ Primer Plus学习笔记五(第五章)

C++ Primer Plus学习笔记五(第五章)

never give up的博客 761

C++Primer Plus学习笔记

此博文是通过翻阅C++ Primer Plus中文第6版(2020),逐章学习记录笔记由此学习C++的基础特性和语法知识,有别于其它视频教学+代码+笔记的学习途径,更趋向传统的书籍+代码+笔记学习,Cpp第6版以C++11标准为主,学习C++基础编程绰绰有余.

weixin_45068267的博客 3198

《C++ Primer》学习笔记/习题答案 总目录

文章目录前言专栏C++学习笔记目录第一章 - 快速入门第二章 - 变量和基本类型第三章 - 标准库类型第四章 - 数组和指针第五章 - 表达式第六章 - 语句第七章 - 函数第八章 - 标准 IO 库第九章 - 顺序容器第十章 - 关联容器第十一章 - 泛型算法第十二章 - 类第十三章 - 复制控制第十四章 - 重载操作符与转换第十五章 - 面向对象编程第十六章 - 模板和泛型编程第十七章 - 用...

种树最好的时间是10年前,其次是现在!!! 4万+

《C++ Primer Plus》学习笔记2

《C++ Primer Plus》学习笔记2 第五章 循环和关系表达式 =================================================================================================================== 1、cout.setf(ios :: boolalpha)函数设置调用设置一个标记

Voidwalkerxiaohui 1543
上一篇: 树形控件CTreeCtrl的使用
下一篇: 在vc中将程序图标最小化到托盘中
skilledprogrammer
博客等级 码龄19年 78粉丝 53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