学习

C++学习之路——名字空间与模板例题：把课程当中的函数模板与类模板两个程序自己写一遍并写好注释。代码如下：#include “pch.h”#include<vector>#include<string>#include <iostream>using namespace std;//模板类template<class T> class Stack{publ…

C++学习之路——函数重载和运算符重载一、函数重载C++允许在同一作用域中的某个函数和运算符指定多个定义，分 别称为函数重载和运算符重载重载声明是指一个与之前已经在该作用域内声明过的函数或方法 具有相同名称的声明，但是它们的参数列表和实现不相同。当您调用一个重载函数或重载运算符时，编译器通过把您所使用的参数类型与定义中的参数类型进行比较，决定选用最合适的定义。选择最合适的重载函数或重载运算符的过程，称为重载决策。C++中的函数重…

C++学习——虚函数与纯虚函数引言：若要访问派生类中相同名字的函数，必须将基类中的同名函数定义为 虚函数，这样，将不同的派生类对象的地址赋给基类的指针变量后， 就可以动态地根据这种赋值语句调用不同类中的函数。一、虚函数的定义和使用可以在程序运行时通过调用相同的函数名而实现不同功能的 函数称为虚函数。定义格式为：virtual FuncName();一旦把基类的成员函数定义为虚函数，由基类所派生出来的所 有派生类中，…

C++学习——继承与派生「建议收藏」普通继承例题：定义一个名为Phone的手机类，有如下私有成员变量:品牌、型号、CPU、电池容量，如下成员函数：构造函数初始化手机的信息。在此基础上派生出NewPhone类，派生类增加了两个新的私有数据成员，分别用于表示颜色和价格，增加了一个成员函数用来输出手机信息。代码如下：#include <iostream>#include<string>#include&l…

C++学习之路—— C++异常处理机制例题：1.设计一个程序，根据输入的三边求三角形面积。2.要求设置异常处理机制，对不符合三角形条件提示错误信息，不做计算；对输入非正数的边提示错误，并重新输入。代码如下：class S{public: double s; S(double x, double y, double z) { a = x; b = y; c = z; } void TryS();pr…

C++学习——类和对象一、类和对象基本知识：1、类的访问控制有哪些？公有成员：以关键字public指明。私有成员：以关键字private指明。保护成员：以关键字protected指明。2、拷贝构造函数的作用是什么？用一个已经存在的对象初始化本类的新对象。3、友元函数和友元类的作用是什么？友元提供了不同类或对象的成员函数之间、类的成员函数与一般函数之间进行 数据共享的机制。对于一个类，可以利用关键字fri…

模型剪枝学习笔记 — EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning论文：https://arxiv.org/abs/2007.02491代码：https://github.com/anonymous47823493/EagleEye这篇论文一定要好好研究下，提出该剪枝方法的是暗物智能科技&中山大学，当初去面试过该公司，聊了将近一小时，大部分是关于剪枝的内容。。。。。。。可惜自己真实菜如狗。。。。。…

Dronekit代码学习（三）控制无人机前后左右升降俯仰Dronekit代码学习（三）控制无人机前后左右升降俯仰控制无人机前后左右升降俯仰代码如下：起飞5m后，右5m，前方5m，升2m，返航，关闭连接升降是反的#-*-coding:utf-8-*-”’—————————————————————————控制无人机前后左右升降俯仰…

rsyslogd-学习&使用简介【这一篇博客不是完整的解释rsyslogd的运行原理，只是一个自己查找资料的记录】rsyslog是一个syslogd的多线程增强版。现在Fedora和Ubuntu,rhel6默认的日志系统都是rsyslog了。rsyslog负责写入日志,logrotate负责备份和删除旧日志,以及更新日志文件学习资料1.官方网站官方网站：http://www.rsyslog.com/这是官

深度学习卷积神经网络——经典网络GoogLeNet(Inception V3)网络的搭建与实现一、Inception网络（google公司）——GoogLeNet网络的综述获得高质量模型最保险的做法就是增加模型的深度（层数）或者是其宽度（层核或者神经元数），但是这里一般设计思路的情况下会出现如下的缺陷：1.参数太多，若训练数据集有限，容易过拟合；2.网络越大计算复杂度越大，难以应用；3.网络越深，梯度越往后穿越容易消失，难以优化模型。 解决上述两个缺点的根本