Effective C++ 条款13 以对象管理资源

本文探讨了在C++中利用资源取得时机进行初始化(RAII)的思想,介绍了auto_ptr和shared_ptr等智能指针的使用,强调了避免内存泄漏和解决循环引用问题的重要性,并通过实例展示了shared_ptr和weak_ptr在解决复杂引用关系中的应用。
//
//  main.cpp
//  条款13:以对象管理资源
//
//  Created by 于磊 on 2018/7/8.
//  Copyright © 2018 于磊. All rights reserved.
//

#include <iostream>
class Investment {
public:
    ~Investment(){
        std::cout<<" release ! "<<std::endl;
    }
};

Investment *createInvestment() {
    static Investment *investment = nullptr;//条款4
    if (!investment)
        investment = new Investment();
    return investment;
}
int main(int argc, const char *argv[]) {
    Investment *pInv = createInvestment();//不太好的写法
    std::auto_ptr<Investment>pInv1(createInvestment());//使用auto_ptr注意,在auto_ptr析构时会
    std::auto_ptr<Investment>pInv2(pInv1);             //销毁所指物,所以多个auto_ptr指向同一对象,
    pInv1 = pInv2;                                     //此对象会被销毁一次以上,产生未定义行为
    //替代者是shared_ptr
    std::shared_ptr<Investment>pSInv1(createInvestment());
    std::shared_ptr<Investment>pSInv2(pSInv1);
    pSInv1 = pSInv2;
    return 0;
}

1. 在使用堆开辟内存后,需要手动delete指针以防内存泄露,但有难免会产生不可避免的情况,例如产生异常会使得内存资源无法释放,另外使用者也极有可能忘记释放“堆内存”。因此有必要借助以对象的析构函数将资源管理起来,以确保资源被正确的释放,,这种思想被称为"资源取得时机就是初始化时机"(Resource Acquisition is Initialization; RAII,名字并没有体现这种思想)

2. 除了手动编写一个指针类以外,C++标准库提供了auto_ptr类模板(在<memory>头文件中),使用它需注意:

   a. auto_ptr<T>只能由T*显示初始化或由auto_ptr<T>对象初始化

   b. auto_ptr<T>只能指向堆内存,因为它的析构函数会delete它所指向的对象,因此务必不要用指向堆栈的指针初始化auto_ptr<T>

   c. auto_ptr<T>没有使用计数的概念,同一块内存只能由一个auto_ptr<T>指向,auto_ptr<T>对象的赋值操作和拷贝构造会使右操作数指向NULL.由于auto_ptr<T>的复制不同于一般意义上的复制,因此它不能作为STL容器的元素.

std::auto_ptr<Investment>pInv1(createInvestment());//使用auto_ptr注意,在auto_ptr析构时会
std::auto_ptr<Investment>pInv2(pInv1);             //销毁所指物,所以多个auto_ptr指向同一对象,
pInv1 = pInv2;                                     //此对象会被销毁一次以上,产生未定义行为

3. 从上图中可以看出,auto_ptr的使用具有一定局限性和危险性,并且它所管理的内存不能同时被多个auto_ptr引用,TR1的"引用计数型智能指针"(reference-counting smart poiner; RCSP) shared_ptr就是一个很好的替代品."TR1代表'Technical Report 1',那是C++程序库工作小组对该份文档的称呼",TR1是C++ 03标准的一个扩展,它并不属于C++ 03标准,只是一份草稿文件,但它所提出的项目很可能成为官方标准,它叙述了14个新组件,统统放在命名空间std内,其中包括shared_ptr和weak_ptr,gcc和vs2008SP2以上已经可以支持它了gcc需要include头文件<tr1/memory>,vs需要include头文件<memory>,有的编译器需要装boost库并且include<boost/shared_ptr.hpp>和<boost/weak_ptr.hpp>才可以使用(需加命名空间限定boost::)

shared_ptr<T>的使用比较简单,它具有引用计数功能,通过使用use_count()观测资源的引用计数,使用unique()观测判断引用计数是否为1(若为1返回true),使用reset()将指针重设(默认设为空)(详细成员函数介绍见

http://www.cplusplus.com/reference/memory/shared_ptr/),可以共享对象的所有权,只有最后一个指向该对象的指针被撤销时,它所指向的堆内存才会被释放,属于强引用(只要有一个强应用存在,所指对象就不能释放),因此不能解决循环引用的问题,以下就是一个循环引用的例子:

#include<iostream>
#include<memory>
using namespace std;
class A;
class B;
class A{
public:
    shared_ptr<B> ptrb;
    ~A(){ cout << "A was destructed!" << endl; }
};
class B{
public:
    shared_ptr<A> ptra;
    ~B(){ cout << "B was destructed!" << endl; }
};
void foo(){
    shared_ptr<A>  s_ptra(new A());
    shared_ptr<B>  s_ptrb(new B());
    s_ptra->ptrb = s_ptrb;
    s_ptrb->ptra = s_ptra;
}

int main(int argc, const char * argv[]) {
    foo();
    return 0;
}

当然无任何运行结果,可见,当foo()被调用结束后,尽管ptr_a和ptr_b被销毁,但a和b形成了循环引用,资源无法被释放。

位于堆内存中的a和b的成员ptr_a和ptr_b分别指向a和b导致a和b既不能被释放,又不能被使用,从而造成循环引用.

    要解决循环引用,就要使用弱引用——weak_ptr.

    weak_ptr只能通过shared_ptr或weak_ptr来初始化,它不会增加使用计数,也不可以通过它来访问所引用的对象,它的作用是协助shared_ptr来访问,通过使用成员函数lock()来获得一个与它指向相同对象的shared_ptr对象,通过使用use_count()观测资源的引用计数,使用expired()观测判断所指向的内存是否被释放(若被释放返回true),使用reset()将指针重设(默认设为空)(详细成员函数介绍见http://www.cplusplus.com/reference/memory/weak_ptr/).要使用弱引用来打破循环引用,只要把循环引用的其中一方所使用的指针成员改为弱引用即可,即:


#include<iostream>
#include<memory>

using namespace std;
class A;
class B;
class A{
public:
    weak_ptr<B> ptrb;
    ~A(){ cout << "A was destructed!" << endl; }
};
class B{
public:
    shared_ptr<A> ptra;
    ~B(){ cout << "B was destructed!" << endl; }
};
void foo(){
    shared_ptr<A>  s_ptra(new A());
    shared_ptr<B>  s_ptrb(new B());
    s_ptra->ptrb = s_ptrb;
    s_ptrb->ptra = s_ptra;
}

int main(int argc, const char * argv[]) {
    foo();
    return 0;
}

运行结果为:

 4. 注意:

    1). 不管auto_ptr,shared_ptr还是weak_ptr它们只用于指向单个对象而不是数组,实际上vector和string就可以取代动态分配的数组,此外,在boost中提供了boost::scoped_array和shared_array用于指向动态分配的数组.

    2). shared_ptr不要与普通指针交互使用,例如,对于以下代码:

 int* p = new int;
    shared_ptr<int> ptr(p);
    cout << ptr.use_count() << endl;
    delete p;
    cout << ptr.use_count();

程序甚至会出错!

 5. C++标准并没有针对动态分配数组"而设计的类似auto_ptr或tr1::shared_ptr的模板(TR1中也没有),毕竟使用vector和string就可以取代所有动态内存分配取得的数组.幸运的是Boost库提供的boost::scoped_array和boost::shared_array 提供这种功能.

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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