当前位置: 首页 > news >正文

C++——模板的作用2:特例化

      目录

模板的形式:

一.模板的多参数应用:

例:

错误使用1:使用不标准的模板形参表

​编辑 

错误使用2:使用变量作为实参传递给函数模板

二.模板的特例化:

类模板:

针对模板的特化步骤:

类模板的全特化:

类模板的半特化:

半特化的扩展: 

三. 模板总结


          在之前,我介绍过一篇关于C++模板的作用,它的出现解决了C语言对多种不同类型的但是有着相同作用函数的难题,举个例子:想要作用于两个整型变量的交换,那么使用C语言可以写出整型交换的函数,但是又出现了char型、double型、short型变量的交换,那么就需要再写出这三个类型的交换函数,而这几个函数写出来后唯一的不同点就是返回值和形参的不同,造成了代码的冗余,可读性变差

模板的形式:

template <模板形参表>

返回值类型 函数体(模板函数形参表)

{

}

        而模板的出现使得交换函数只需要写一个就够,极大的缩减了代码,增加了函数的复用性,为泛型编程打下了坚实的基础!

(478条消息) C++基础——模板讲解_橙予清的zzz~的博客-CSDN博客https://blog.csdn.net/weixin_69283129/article/details/127845086

感兴趣的朋友门可以来看看这篇文章,它会加深你对模板的理解。 

而接下来我要讲的是模板的另外几个作用:

一.模板的多参数应用:

非类型模板参数 模板参数分类类型形参与非类型形参。

        1.类型形参即:出现在模板参数列表中,跟在class或者typename之类的参数类型名称。

        2.非类型形参,就是用一个常量作为类(函数)模板的一个参数,在类(函数)模板中可将该参数当成常量来使用。

在上面的那篇博客中,我所列举的模板例子中用到的全都是类型形参。 

 // 定义一个模板类型的静态数组template<class T, size_t N = 10>class array{public:T& operator[](size_t index){return _array[index];}const T& operator[](size_t index)const{return _array[index];}size_t size()const{return _size;}bool empty()const{return 0 == _size;}private:T _array[N];size_t _size;};

         通过上图代码可知:模板形参列表中出现了非类型形参。该参数可以是变量,但其类型只能是整型,这个整型包括:char、int、size_t等类型!而使用自定义类型、浮点类型的变量是不被允许的!会报编译错误!

例:

运行结果: 

错误使用1:使用不标准的模板形参表

错误使用2:使用变量作为实参传递给函数模板


二.模板的特例化:

类模板:

函数模板是对函数进行泛型的使用,让函数能够对多种类型的变量做相应的操作;

而类模板就算对类进行泛型的使用,让类中的成员变量或者函数做相应的复杂操作。

//类模板样例1:
template<class T1,class T2>
class Date {
public:Date() {cout << "模板:Date(T1,T2)" << endl;}
private:T1 _a1;T2 _b1;};

针对模板的特化步骤:

1. 必须要先有一个基础的函数模板或者类模板

2. 关键字template后面接一对空的尖括号<>

3. 函数名后跟一对尖括号,尖括号中指定需要特化的类型

4. 函数形参表: 必须要和模板函数的基础参数类型完全相同,如果不同编译器可能会报一些奇怪的错误。 

类模板的全特化:

        全特化即是将模板参数列表中所有的参数都确定化。

//类模板的特殊化处理——全部参数特殊化处理
template<>
class Date<double,double>{
public:Date() {cout << "全特化:Date(double, double)" << endl;}
private:double _a1;double _b1;
};//类模板的特殊化处理——全部参数特殊化处理2
template<>
class Date<short,char> {
public:Date() {cout << "全特化:Date(short, char)" << endl;}
private:short _a1;char _b1;
};

        如上,全特化的类模板所使用的模板形参列表相比较普通的类模板,类型是全部确定的。全特化的作用就是:在一般的情况下,普通的对象被创建时使用普通类模板即可,做着普通的工作。而在某种特殊情况下,我们可以让对象被创建时使用专门的经过特殊化处理的类模板,做一些特殊的操作。 

类模板的半特化:

        针对模版参数进一步进行条件限制设计的特化,即部分特化模板参数列表。

//半参数特殊化处理——案例1:
template<class T2>
class Date<double, T2> {
public:Date() {cout << "半特化:Date(double, T2)" << endl;}
private:double _a1;T2 _b1;
};//半参数特殊化处理——案例2:
template<class T1>
class Date<T1, char> {
public:Date() {cout << " 半特化:Date(T1, char)" << endl;}
private:T1 _a1;char _b1;
};

        类模板原本是T1,T2两个类型的参数,使用半特化就是将T1具体化成double类型作为模板参数。 

int main(){Date<int, int> d1;Date<double, double>d2;	Date<short,char>d3;	Date<double, int> d4;	Date<int, char> d5;		return 0;}

接着,我们在main函数中使用类创建几个对象,看编译器会进入哪些类模板中!

运行结果: 

代码解析:

        通过结果可知:d1的创建是调用了类模板T1,T2的构造函数,d2,d3是调用了全特化的类模板构造函数,d4,d5调用了半特化的类模板构造函数。

        将这些比作生活的例子:当时间到了吃中午饭的时候,编译器饿了,在它面前有三种吃法:1.自己拿食材做(炒,炸,烧,爆,煎,煮);2.做省时省力的半成品饭;3.点外卖。而T1,T2类型的类模板好比是从超市买回来的新鲜食材,需要编译器自己去做才能吃;半特化的类模板好比是半成品,例如:方便面、自热饭、昨晚的剩饭剩菜,需要编译器进行小小的加工就可以吃了;而全特化的类模板好比是外卖,是现成的热乎的香喷喷的饭菜。在不考虑金钱和健不健康的情况下,我们的做法肯定是选择好吃美味而且省时省力的外卖,编译器的思想也和我们一样——有现成的就不会自己动手再去做。

        所以编译器在对d1对象的调用时,发现没有完美符合<int,int>的类模板,那么只能去自己做(使用T1,T2模板的构造函数);

        而对于d2对象的调用,发现double,double的构造函数选项有两种,一种是选择<T1,T2>的类,另一种是选择<double,double>的类,那编译器肯定是选择后者。

         ......

半特化的扩展: 

        半特化还可以应用于指针、引用的类型上!

template<class T1,class T2>
class Date<T1*,T2*> {
public:Date() {cout << "半特化:Date(T1*,T2*)" << endl;}
private:T1* _a1;T2* _b1;
};//半特化4——两个参数偏特化为引用类型
template<class T1, class T2>
class Date<T1&, T2&> {
public:Date(const T1& d1, const T2& d2): _d1(d1), _d2(d2){cout << "半特化:Data<T1&, T2&>" << endl;}private:const T1 & _d1;const T2 & _d2;
};


三. 模板总结

优点:

1. 模板复用了代码,节省资源,更快的迭代开发,C++的标准模板库(STL)因此而产生

 2. 增强了代码的灵活性 

相关文章:

C++——模板的作用2:特例化

目录 模板的形式&#xff1a; 一.模板的多参数应用&#xff1a; 例&#xff1a; 错误使用1&#xff1a;使用不标准的模板形参表 ​编辑 错误使用2&#xff1a;使用变量作为实参传递给函数模板 二.模板的特例化&#xff1a; 类模板&#xff1a; 针对模板的特化步骤&am…...

Python Web开发技巧VII

目录 装饰器inject_serializer 装饰器atomic rebase git 清理add的数据 查看git的当前工作目录 makemigrations文件名称 action(detailTrue, methods["GET"]) 如何只取序列化器的一个字段进行返回 Response和JsonResponse有什么区别 序列化器填表和单字段如…...

LaTex4【下载模板、引入文献】

下载latex模板&#xff1a;&#xff08;模板官网一般都有&#xff0c;去找&#xff09; 我这随便找了一个&#xff1a; 下载得到一个压缩包&#xff0c;然后用overleaf打开&#x1f447;&#xff1a; (然后改里面的内容就好啦) 另外&#xff0c;有很多在线的数学公式编辑器&am…...

【VSCode部署模型】导出TensorFlow2.X训练好的模型信息

参考tensorflow2.0 C加载python训练保存的pb模型 经过模型训练及保存&#xff0c;我们得到“OptimalModelDataSet2”文件夹&#xff0c;模型的保存方法(.h5或.pb文件)&#xff0c;参考【Visual Studio Code】c/c部署tensorflow训练的模型 其中“OptimalModelDataSet2”文件夹保…...

windows环境下,安装elasticsearch

目录 前言准备安装 jdk 安装nodejsElasticSearch下载ElasticSearch-head 下载 安装ElasticSearch安装ElasticSearch-head插件设置用户名密码访问ElasticSearch 默认用户名和密码参考 前言 win10elasticsearch 8.9.0 准备 安装 jdk ElasticSearch 是基于lucence开发的&#…...

Elasticsearch入门笔记(一)

环境搭建 Elasticsearch是搜索引擎&#xff0c;是常见的搜索工具之一。 Kibana 是一个开源的分析和可视化平台&#xff0c;旨在与 Elasticsearch 合作。Kibana 提供搜索、查看和与存储在 Elasticsearch 索引中的数据进行交互的功能。开发者或运维人员可以轻松地执行高级数据分析…...

记一次安装nvm切换node.js版本实例详解

最后效果如下&#xff1a; 背景&#xff1a;由于我以前安装过node.js&#xff0c;后续想安装nvm将node.js管理起来。 问题&#xff1a;nvm-use命令行运行成功&#xff0c;但是nvm-list显示并没有成功。 原因&#xff1a;因为安装过node.js&#xff0c;所以原先的node.js不收n…...

生态共建丨YashanDB与构力科技完成兼容互认证

近日&#xff0c;深圳计算科学研究院崖山数据库系统YashanDB V22.2与北京构力科技有限公司BIMBase云平台完成兼容性互认证。经严格测试&#xff0c;双方产品完全兼容、运行稳定。 崖山数据库系统YashanDB是深算院自主研发设计的新型数据库系统&#xff0c;融入原创理论&#xf…...

React从入门到实战-react脚手架,消息订阅与发布

创建项目并启动 全局安装 npm install -g create-react-app切换到想创建项目的目录&#xff0c;使用命令&#xff1a;create-react-app 项目名称 ​ [外链图片转存失败,源站可能有防盗链机制,建议将图片保存中…(iQ6hEUgAABpQAAAD1CAYAAABeIRZoAAAAAXNSR0IArs4c6QAAIABJREFUe…...

从零构建深度学习推理框架-1 简介和Tensor

源代码作者&#xff1a;https://github.com/zjhellofss 本文仅作为个人学习心得领悟 &#xff0c;将原作品提炼&#xff0c;更加适合新手 什么是推理框架&#xff1f; 深度学习推理框架用于对已训练完成的神经网络进行预测&#xff0c;也就是说&#xff0c;能够将深度训练框…...

使用WGCLOUD监测安卓(Android)设备的运行状态

WGCLOUD是一款开源运维监控软件&#xff0c;除了能监控各种服务器、主机、进程应用、端口、接口、docker容器、日志、数据等资源 WGCLOUD还可以监测安卓设备&#xff0c;比如安卓手机、安卓设备等 我们只要下载对应的安卓客户端&#xff0c;部署运行即可&#xff0c;如下是下…...

C++笔记之迭代器失效问题处理

C笔记之迭代器失效问题处理 code review! 参考博文&#xff1a;CSTL迭代器失效的几种情况总结 文章目录 C笔记之迭代器失效问题处理一.使用返回新迭代器的插入和删除操作二.对std::vector 来说&#xff0c;擦除&#xff08;erase&#xff09;元素会导致迭代器失效 一.使用返回…...

Tomcat的startup.bat文件出现闪退问题

对于双击Tomcat的startup.bat文件出现闪退问题&#xff0c;您提供的分析是正确的。主要原因是Tomcat需要Java Development Kit (JDK)的支持&#xff0c;而如果没有正确配置JAVA_HOME环境变量&#xff0c;Tomcat将无法找到JDK并启动&#xff0c;从而导致闪退。 以下是解决该问题…...

JAVA8-lambda表达式8:在设计模式-模板方法中的应用

传送门 JAVA8-lambda表达式1&#xff1a;什么是lambda表达式 JAVA8-lambda表达式2&#xff1a;常用的集合类api JAVA8-lambda表达式3&#xff1a;并行流&#xff0c;提升效率的利器&#xff1f; JAVA8-lambda表达式4&#xff1a;Optional用法 java8-lambda表达式5&#xf…...

React之组件间通信

React之组件间通信 组件通信&#xff1a; 简单讲就是组件之间的传值&#xff0c;包括state、函数等 1、父子组件通信 父组件给子组件传值 核心&#xff1a;1、自定义属性&#xff1b;2、props 父组件中: 自定义属性传值 import Header from /components/Headerconst Home ()…...

【MATLAB第58期】基于MATLAB的PCA-Kmeans、PCA-LVQ与BP神经网络分类预测模型对比

【MATLAB第58期】基于MATLAB的PCA-Kmeans、PCA-LVQ与BP神经网络分类预测模型对比 一、数据介绍 基于UCI葡萄酒数据集进行葡萄酒分类及产地预测 共包含178组样本数据&#xff0c;来源于三个葡萄酒产地&#xff0c;每组数据包含产地标签及13种化学元素含量&#xff0c;即已知类…...

CF1833 A-E

A题 题目链接&#xff1a;https://codeforces.com/problemset/problem/1833/A 基本思路&#xff1a;for循环遍历字符串s&#xff0c;依次截取字符串s的子串str&#xff0c;并保存到集合中&#xff0c;最后输出集合内元素的数目即可 AC代码&#xff1a; #include <iostrea…...

【深度学习】【Image Inpainting】Generative Image Inpainting with Contextual Attention

Generative Image Inpainting with Contextual Attention DeepFillv1 (CVPR’2018) 论文&#xff1a;https://arxiv.org/abs/1801.07892 论文代码&#xff1a;https://github.com/JiahuiYu/generative_inpainting 论文摘录 文章目录 效果一览摘要介绍论文贡献相关工作Image…...

二维深度卷积网络模型下的轴承故障诊断

1.数据集 使用凯斯西储大学轴承数据集&#xff0c;一共有4种负载下采集的数据&#xff0c;每种负载下有10种 故障状态&#xff1a;三种不同尺寸下的内圈故障、三种不同尺寸下的外圈故障、三种不同尺寸下的滚动体故障和一种正常状态 2.模型&#xff08;二维CNN&#xff09; 使…...

redis突然变慢问题定位

CPU 相关&#xff1a;使用复杂度过高命令、O&#xff08;N&#xff09;的这个N&#xff0c;数据的持久化&#xff0c;都与耗费过多的 CPU 资源有关 内存相关&#xff1a;bigkey 内存的申请和释放、数据过期、数据淘汰、碎片整理、内存大页、内存写时复制都与内存息息相关 磁盘…...

【解密LSTM、GRU如何解决传统RNN梯度消失问题】

解密LSTM与GRU&#xff1a;如何让RNN变得更聪明&#xff1f; 在深度学习的世界里&#xff0c;循环神经网络&#xff08;RNN&#xff09;以其卓越的序列数据处理能力广泛应用于自然语言处理、时间序列预测等领域。然而&#xff0c;传统RNN存在的一个严重问题——梯度消失&#…...

【SQL学习笔记1】增删改查+多表连接全解析(内附SQL免费在线练习工具)

可以使用Sqliteviz这个网站免费编写sql语句&#xff0c;它能够让用户直接在浏览器内练习SQL的语法&#xff0c;不需要安装任何软件。 链接如下&#xff1a; sqliteviz 注意&#xff1a; 在转写SQL语法时&#xff0c;关键字之间有一个特定的顺序&#xff0c;这个顺序会影响到…...

数据链路层的主要功能是什么

数据链路层&#xff08;OSI模型第2层&#xff09;的核心功能是在相邻网络节点&#xff08;如交换机、主机&#xff09;间提供可靠的数据帧传输服务&#xff0c;主要职责包括&#xff1a; &#x1f511; 核心功能详解&#xff1a; 帧封装与解封装 封装&#xff1a; 将网络层下发…...

Cloudflare 从 Nginx 到 Pingora:性能、效率与安全的全面升级

在互联网的快速发展中&#xff0c;高性能、高效率和高安全性的网络服务成为了各大互联网基础设施提供商的核心追求。Cloudflare 作为全球领先的互联网安全和基础设施公司&#xff0c;近期做出了一个重大技术决策&#xff1a;弃用长期使用的 Nginx&#xff0c;转而采用其内部开发…...

VTK如何让部分单位不可见

最近遇到一个需求&#xff0c;需要让一个vtkDataSet中的部分单元不可见&#xff0c;查阅了一些资料大概有以下几种方式 1.通过颜色映射表来进行&#xff0c;是最正规的做法 vtkNew<vtkLookupTable> lut; //值为0不显示&#xff0c;主要是最后一个参数&#xff0c;透明度…...

大模型多显卡多服务器并行计算方法与实践指南

一、分布式训练概述 大规模语言模型的训练通常需要分布式计算技术,以解决单机资源不足的问题。分布式训练主要分为两种模式: 数据并行:将数据分片到不同设备,每个设备拥有完整的模型副本 模型并行:将模型分割到不同设备,每个设备处理部分模型计算 现代大模型训练通常结合…...

【论文阅读28】-CNN-BiLSTM-Attention-(2024)

本文把滑坡位移序列拆开、筛优质因子&#xff0c;再用 CNN-BiLSTM-Attention 来动态预测每个子序列&#xff0c;最后重构出总位移&#xff0c;预测效果超越传统模型。 文章目录 1 引言2 方法2.1 位移时间序列加性模型2.2 变分模态分解 (VMD) 具体步骤2.3.1 样本熵&#xff08;S…...

【数据分析】R版IntelliGenes用于生物标志物发现的可解释机器学习

禁止商业或二改转载&#xff0c;仅供自学使用&#xff0c;侵权必究&#xff0c;如需截取部分内容请后台联系作者! 文章目录 介绍流程步骤1. 输入数据2. 特征选择3. 模型训练4. I-Genes 评分计算5. 输出结果 IntelliGenesR 安装包1. 特征选择2. 模型训练和评估3. I-Genes 评分计…...

MFC 抛体运动模拟:常见问题解决与界面美化

在 MFC 中开发抛体运动模拟程序时,我们常遇到 轨迹残留、无效刷新、视觉单调、物理逻辑瑕疵 等问题。本文将针对这些痛点,详细解析原因并提供解决方案,同时兼顾界面美化,让模拟效果更专业、更高效。 问题一:历史轨迹与小球残影残留 现象 小球运动后,历史位置的 “残影”…...

android13 app的触摸问题定位分析流程

一、知识点 一般来说,触摸问题都是app层面出问题,我们可以在ViewRootImpl.java添加log的方式定位;如果是touchableRegion的计算问题,就会相对比较麻烦了,需要通过adb shell dumpsys input > input.log指令,且通过打印堆栈的方式,逐步定位问题,并找到修改方案。 问题…...