C++构造函数深度学习

本文针对C++构造函数进行深度探究，供大家参考，具体内容如下

1、引子： 
以下代码中的输出语句输出0吗，为什么？

struct Test
{
　　int _a;
　　Test(int a) : _a(a) {}
　　Test()
　　{
　　　　Test(0);

　　}

};
Test obj;
cout << obj._a << endl;

输出为：-858993460

2、剖析
上面代码的输出为一个垃圾值，也就是说obj调用构造函数并没有对成员进行初始化工作，虽然默认无参构造Test()内部调用了Test(int a)，但从结果看，初始化工作并不成功。这是为什么呢？

在执行构造函数时，Test()并不会调用"this"对象（即obj对象）的Test::Test(int a)，而是会用Test::Test(int a)来创建一个新的临时实例对象，然后当这条语句执行完后，这个新的临时对象马上就会被销毁。这样一来，"this"对象就没有被初始化，成员_a就是垃圾值，以后使用"this"对象就有可能产生一些问题。

3.重点：构造函数互相调用
 分析完这个题目之后，我们会想到另一个问题。也是我们今天重点关注的问题：

class Test
{
  int _a;
  int _b;
  int _c; 

public:

　　Test(int a, int b) : _a(a), _b(b),_c(0) {} 

　　Test(int a, int b, int c); 

};

如果我们C++类中有两个构造函数，分别为Test(int a, int b)和Test(int a, int b, int c)。如果我们的构造函数Test(int a, int b, int c)要完成所有成员（a,b,c）的赋值初始化工作，可以这样写：

Test::Test(int a, int b, int c)  

　　: _a(a)

　　, _b(b)

　　, _c(c)

{ 

}

但是，这样写又重复了构造函数Test(int a, int b)的工作，类成员少的情况下还好，如果成员非常多，重复写的话代码量过大，而且代码可读性降低了。然而我们可以看到构造函数Test(int a, int b)已经完成了成员a和成员b的赋值初始化工作，为了减少代码量，就想着让3个参数的构造函数调用2个参数的构造函数，然后在执行一些自己的代码，这就如同派生类先调用基类的同名函数，再执行自己特有的代码。但是这种机制如何实现呢？

之前我们得出过结论：构造函数调用另一个构造函数并不能完成当前对象的初始化工作，只是初始化了临时对象。下面我们就进入本文的核心问题：如何在构造函数中调用本类的另一个构造函数来初始化当前对象？

方法一：使用placement new技术，在3个参数中显式调用2个参数的构造函数。
3参数构造函数可以这样实现：

Test::Test(int a, int b, int c)
{
  new (this) Test(a, b);
  ... 

}

构造函数分为2个执行阶段：一是在初始化列表的初始化阶段，二是在构造函数体内的赋值阶段。上述方法是在第二个阶段调用2个参数的构造函数。

placement new是operator new的一个重载版本，只是我们很少用到它。如果你想在已经分配的内存中创建一个对象，使用new是不行的。也就是说placement new允许你在一个已经分配好的内存中（栈或堆中）构造一个新的对象。原型中void*p实际上就是指向一个已经分配好的内存缓冲区的的首地址。placement new技术的形式是 new(void *p) Type(...)，表示在p所指的内存区域调用Type构造函数，该过程没有内存请求。

这个方法本质就是在对象地址处，调用2个参数的构造函数重新生成一个新的对象然后覆盖该对象。这个实现方法有投机取巧的嫌疑。

方法二：使用C++11新特性——委托构造函数（Delegating constructors）。可以在构造函数初始化列表直接调用，类似于调用基类构造函数。

Test::Test(int a, int b, int c) : Test(a, b)
{ 

  ... 

}

上述说了构造函数有2个执行阶段，该方法是在第一个阶段进行的，更加方便。但是注意不能在Test(a, b)后面在接_c(c)了，因为调用2个参数的构造函数之后，就相当于该对象已经初始化完成了，不能在初始化列表放入其他成员的初始化形式。只能放在构造函数体中的赋值阶段。该方法目前只能用在VS2013中。

这个方法利用了C++11标准中的新特性——委托构造函数（Delegating constructors）。目前只能再VS2013及以上的版本使用，这个方法局限性很大，不过确实很方便。

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

赞 (0)

相关推荐

  • 浅谈C++ Explicit Constructors(显式构造函数)

    C++ 为类(Class)提供了许多默认函数.如果自己没有申明,编译器会为我们提供一个copy构造函数.一个copy assignment操作符和一个析构函数.此外,如果没有申明任何构造函数,编译器会为我们申明一个default构造函数.很像下面的Empty类: class Empty{ public: Empty(); Empty(const Empty &rhs); ~Empty(); Empty& operator=(const Empty &rhs); }; 就像Effec

  • C++ explicit构造函数实例解析

    按照C语言默认规定,只有一个参数的构造函数也定义了一个隐式转换,将该构造函数对应数据类型的数据转换为该类对象,如下面所示: class String { String ( const char* p ); // 用C风格的字符串p作为初始化值 //- } String s1 = "hello"; //OK 隐式转换,等价于String s1 = String("hello"); 但是有的时候可能会不需要这种隐式转换,如下: class String { String

  • C++ Explicit关键字详细解析

    explicit关键字用来修饰类的构造函数,表明构造函数是显示的,相对的是implicit关键字.首先这个关键字只能用在类内部的构造函数声明上,而不能用在类外部的函数定义上,它的作用是不能进行隐式转换. 复制代码 代码如下: class gxgExplicit  //没有关键字explicit的类    {      public:          int _size;         gxgExplicit(int size)        {           _size = size;

  • C++构造函数深度学习

    本文针对C++构造函数进行深度探究,供大家参考,具体内容如下 1.引子:  以下代码中的输出语句输出0吗,为什么? struct Test { int _a; Test(int a) : _a(a) {} Test() { Test(0); } }; Test obj; cout << obj._a << endl; 输出为:-858993460 2.剖析 上面代码的输出为一个垃圾值,也就是说obj调用构造函数并没有对成员进行初始化工作,虽然默认无参构造Test()内部调用了Tes

  • Python深度学习pytorch神经网络Dropout应用详解解

    Python深度学习pytorch神经网络Dropout应用详解解

    目录 扰动的鲁棒性 实践中的dropout 简洁实现 扰动的鲁棒性 在之前我们讨论权重衰减(L2​正则化)时看到的那样,参数的范数也代表了一种有用的简单性度量.简单性的另一个有用角度是平滑性,即函数不应该对其输入的微笑变化敏感.例如,当我们对图像进行分类时,我们预计向像素添加一些随机噪声应该是基本无影响的. dropout在正向传播过程中,计算每一内部层同时注入噪声,这已经成为训练神经网络的标准技术.这种方法之所以被称为dropout,因为我们从表面上看是在训练过程中丢弃(drop out)一些

  • Python深度学习pytorch神经网络图像卷积运算详解

    Python深度学习pytorch神经网络图像卷积运算详解

    目录 互相关运算 卷积层 特征映射 由于卷积神经网络的设计是用于探索图像数据,本节我们将以图像为例. 互相关运算 严格来说,卷积层是个错误的叫法,因为它所表达的运算其实是互相关运算(cross-correlation),而不是卷积运算.在卷积层中,输入张量和核张量通过互相关运算产生输出张量. 首先,我们暂时忽略通道(第三维)这一情况,看看如何处理二维图像数据和隐藏表示.下图中,输入是高度为3.宽度为3的二维张量(即形状为 3 × 3 3\times3 3×3).卷积核的高度和宽度都是2. 注意,

  • 13个最常用的Python深度学习库介绍

    如果你对深度学习和卷积神经网络感兴趣,但是并不知道从哪里开始,也不知道使用哪种库,那么这里就为你提供了许多帮助. 在这篇文章里,我详细解读了9个我最喜欢的Python深度学习库. 这个名单并不详尽,它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表. 这其中的一些库我比别人用的多很多,尤其是Keras.mxnet和sklearn-theano. 其他的一些我是间接的使用,比如Theano和TensorFlow(库包括Keras.deepy和Blocks等). 另外的我只

  • TensorFlow深度学习之卷积神经网络CNN

    一.卷积神经网络的概述 卷积神经网络(ConvolutionalNeural Network,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等.CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程.在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此

  • python使用tensorflow深度学习识别验证码

    本文介绍了python使用tensorflow深度学习识别验证码 ,分享给大家,具体如下: 除了传统的PIL包处理图片,然后用pytessert+OCR识别意外,还可以使用tessorflow训练来识别验证码. 此篇代码大部分是转载的,只改了很少地方. 代码是运行在linux环境,tessorflow没有支持windows的python 2.7. gen_captcha.py代码. #coding=utf-8 from captcha.image import ImageCaptcha # pi

  • Python编程深度学习计算库之numpy

    Python编程深度学习计算库之numpy

    NumPy是python下的计算库,被非常广泛地应用,尤其是近来的深度学习的推广.在这篇文章中,将会介绍使用numpy进行一些最为基础的计算. NumPy vs SciPy NumPy和SciPy都可以进行运算,主要区别如下 最近比较热门的深度学习,比如在神经网络的算法,多维数组的使用是一个极为重要的场景.如果你熟悉tensorflow中的tensor的概念,你会非常清晰numpy的作用.所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识. 安装 liumiaocn:tmp

  • PyTorch的深度学习入门之PyTorch安装和配置

    前言 深度神经网络是一种目前被广泛使用的工具,可以用于图像识别.分类,物体检测,机器翻译等等.深度学习(DeepLearning)是一种学习神经网络各种参数的方法.因此,我们将要介绍的深度学习,指的是构建神经网络结构,并且运用各种深度学习算法训练网络参数,进而解决各种任务.本文从PyTorch环境配置开始.PyTorch是一种Python接口的深度学习框架,使用灵活,学习方便.还有其他主流的深度学习框架,例如Caffe,TensorFlow,CNTK等等,各有千秋.笔者认为,初期学习还是选择一种

  • 使用Node.js在深度学习中做图片预处理的方法

    背景 最近在做一个和对象识别相关的项目,由于团队内技术栈偏向 JavaScript,在已经用 Python 和 Tensorflow 搭建好了对象识别服务器后,为了不再增加团队成员维护成本,所以尽可能将训练和识别之外的任务交给 Node.js 来做,今天要讲到的图片预处理就是其中之一. 这里对还不了解深度学习的人就几个概念做个简单的解释 对象识别:对象识别可理解为计算机在一张图片中发现某个或某些指定的物体,比如找到里面所有的狗. 训练:计算机学会对象识别这个本领就像人类学会说话一样,需要不断地练

  • Python编程深度学习绘图库之matplotlib

    Python编程深度学习绘图库之matplotlib

    matplotlib是python的一个开源的2D绘图库,它的原作者是John D. Hunter,因为在设计上借鉴了matlab,所以成为matplotlib.和Pillow一样是被广泛使用的绘图功能,而在深度学习相关的部分,matplotlib得宠的多.这篇文章将简单介绍一下如何安装以及使用它来画一些非常常见的统计图形. 概要信息 注意事项:由于Python2支持到2020年,很多python库都开始主要支持python3了,matplotlib的主分支也已经是python3了.而这篇文章中

随机推荐