读书笔记:C++ primer 5th edition--chapter19.特殊工具与技术

本文探讨了 C++ 中较少被使用的高级特性,包括自定义内存分配、运行时类型识别 RTTI、枚举类型、类成员指针等。通过具体示例说明了这些特性的应用场景及使用方法。

以下是c++未被广泛应用的特征。
part1.控制内存分配
1.可以重载new与delete。一共有八个版本,可以重载任意一个,但是要求自定义版本必须位于全局作用域或者类作用域。
2.demo
void *operator new(size_t size){
     if (void * mem = malloc(size)
          return mem;
     else
          throw bad_alloc();
}
void operator delete( void *mem) noexcept { free(mem); }

part2.运行时类型识别RTTI
1.适用于我们想让基础类对象的指针或引用执行某个派生类操作并且该操作不是虚函数。因为某些场景无法定义虚函数。
2.在条件部分执行动态转换可以确保类型转换和结果检查在同一条表达式完成。
if( Derived *dp = dynamic_cast < Derived* >(bp) ) {}//
3.typeid运算符
1)作用于对象,而不是指针
2)对象有虚函数,则typeid的结果知道运行才确定。
4.RTTI用途:为具有继承关系的类实现相等运算符时有用。

part3.枚举类型
1.分类:
1)限定作用域的枚举类型,enum class open_mode {input, output, append};
2)不限定作用域的枚举类型, enum color {} or enum {}  //未命名,不限定
2.如果不指定枚举值,默认为前者的值加1.成员是const,初始化枚举成员必须提供常量表达式。
3.指定enum大小
enum intValue : unsigned long long {}..

part4.类成员指针
1.类的成员指针是可以指向类的非静态成员的指针。
2.初始化的时候不指定对象,只指向成员。
const string Screen::*pdata;//声明pdata为一个指向Screen类的const string成员的指针
可以读取任意对象,但是,无法写入。
auto pdata = &Screen::contents;//contents是Screen的私有成员,pdata必须位于类内部或者友元内。
3.成员函数指针
//为了选择重载的版本
char (Screen::*pmf2) (Screen::pos, Screen::pos ) const;
pmf2 = &Screen::get;//限定get的版本,通过限定可以接受的形参以及返回值
char c2 = (myScreen.*pmf2) (0, 0);//调用优先级高,因此要加括号

part5.剩余
1.嵌套类,union,局部类
2.volatile与const可以兼容
3.合成的拷贝对volatile对象无效
4.extern
void (*pf1) (int);      //指向c++函数
extern “C” void (*pf2) (int);     //指向c函数 
源码下载地址: https://pan.quark.cn/s/a4b39357ea24 在电磁模拟技术中,CST(Computer Simulation Technology)是一种被广泛采纳的软件工具,它主要用于电磁场、微波、天线以及射频系统的设计工作。本资料将详细分析CST软件中离散端口的具体配置方法,这些方法对于提升仿真结果的精确度和专业水准具有决定性作用。离散端口在CST软件中扮演着模拟信号输入或输出的重要角色,它们构成了仿真模型不可或缺的部分。在配置离散端口时,一个核心的原则是保证端口的方向网格线保持一致,这是因为这样做能够有效降低计算过程中产生的误差,并确保仿真数据的有效性。如果未能遵循这一指导原则,可能会引发未知的计算问题,进而导致仿真结果失去可靠性。 在CST软件中配置离散端口,通常需要借助“Pick Points”这一功能。通过选择“Pick Edge Center”选项,端口将被设定在模型边缘的中心位置上。然而,这种做法并不总是能够确保端口网格线保持平行。在某些特定情形下,模型的几何构造可能不允许直接选取一个网格线平行的边作为端口的安装位置。 为了克服这一挑战,可以采用多种不同的策略。如果模型本身已经包含一条馈电口平行的边,那么可以直接利用这条边来建立端口,此时CST软件会自动调整端口使其网格线对齐。另一种可选的方法是,当模型不具备现成的平行边时,用户可以手动构建一个几何结构,比如一个立方体,并使其边缘馈电口平行。通过这种方式,新建立的几何结构的边缘就可以作为端口的位置,从而确保端口网格线的平行关系。 在实施上述操作时,必须关注端口尺寸的合理性和物理意义的一致性。端口的尺寸应当依据实际天线馈电部分的尺寸进行适当调整,过大的端口或...
代码下载链接: https://pan.quark.cn/s/a4b39357ea24 【使用TensorFlow进行图像识别】 图像识别作为计算机视觉领域的关键任务之一,其核心在于通过算法解析和理解图像所包含的信息。在此资源中,我们将集中探讨如何借助功能强大的深度学习框架TensorFlow来执行手写数字识别。手写数字识别构成了众多实际应用的基础,例如自动支票处理、光学字符识别(OCR)等场景。 TensorFlow是由Google创建的一个开源库,它主要用于数值运算和机器学习,尤其在深度学习方面表现卓越。其核心优势在于可以构建并训练复杂的神经网络架构,并且在多种硬件环境中实现高效执行,涵盖CPU和GPU平台。 在此实践项目中,我们将运用TensorFlow来构建一个卷积神经网络(CNN)模型,这种架构是处理图像数据的理想选择。CNNs通过模仿人脑视觉皮层的运作机制,能够自主地提取图像中的关键特征,进而达成识别目标。在手写数字识别的特定情境下,这些特征可能涉及笔画的几何形态、走向以及相互间的连接模式。 对于CNN的基础结构,我们需要具备相应的认知,其通常由卷积层、池化层、全连接层以及激活函数等部分组成。卷积层借助滤波器(亦称卷积核)对图像进行扫描,以捕捉局部特征;池化层则用于降低数据维度,同时保留核心信息;全连接层将特征向量映射至各类别的概率分布;而激活函数如ReLU则通过引入非线性元素,使模型能够学习更为复杂的模式。 在此案例中,建议采用MNIST数据集,这是一个广泛用于手写数字识别的标准测试集。该数据集包含60,000个训练样本和10,000个测试样本,每个样本均为28x28像素的灰度图像,代表0到9这十个数字中的某一个。为了训练模型,必须首先加载数据,并...
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