c++ primer 笔记第十二章动态内存

由C++ STL的vector容器中存储的对象拷贝引起的对capacity属性 的理解 【起因】 在测试C++中通过基类引用做形参实现多态的时候,写过一段很挫的测试程序,如下: Base b; Derived1 d1; Derived2 d2; Derived3 d3; vector base_vec; base_vec.push_back(b); base_vec.push_back(d1); base_vec.push_back(d2); base_vec.push_ba 阅读详情

第十二章:动态内存

梗概:本章主要讲解使用C++智能指针动态管理内存以及直接管理动态内存的方法以及他们的结合。

静态内存保存static变量以及定义在所有函数之外的变量。栈内存保存函数之内的非static变量,堆内存用来分配给程序动态产生的对象。静态内存和栈内存中的变量由编译器决定其生命周期。静态内存使用前分配,程序结束销毁。栈内存的变量在该程序块执行时存在。动态对象由程序控制声明周期,即需要显示分配和销毁。

12.1 动态内存与智能指针

new在动态内存中为对象分配空间并返回指向该对象的指针,delete接受一个动态对象的指针,销毁对象并释放内存。

忘记使用delete销毁new分配的对象会造成内存泄漏。

新标准提供三种智能指针,智能指针可以自动释放指向的对象。有shared_ptr, unique_ptr和weak_ptr三种。

 

12.1.1 shared_ptr 类

智能指针是模板,创建需要提供类型。如shared_ptr<string> p1; 默认为空指针。

make_shared<T>(args)函数类似emplace,使用参数构造动态对象。参数为空则进行值初始化。

认为每个shared_ptr都有一个引用计数,有新共享指针指向共享指针指向的对象计数器会加一,销毁减一。计数器为0对象销毁。

shared_ptr调用类的析构函数销毁对象并且释放对象关联的内存。

shared_ptr保证有共享指针指向的对象一直存在,因此需要保证删除不需要的共享指针。特别是在容器中。

使用动态内存的三个原因:一、程序不清楚使用对象数量;二、不清楚对象类型;三、需要在多个对象之间共享数据。

 

12.1.2 直接管理内存

使用new和delete直接管理动态内存,包含此操作的类不能使用默认的析构函数和赋值拷贝。

new动态分配的对象是默认初始化的,类类型调用默认构造函数。也可以使用直接初始化、列表初始化和值初始化。

类类型的值初始化调用默认构造函数,内置类型值初始化为一个类似0的初值而非未定义。

动态分配const对象必须初始化。

为了防止内存耗尽抛出异常,可以为new输入参数nothrow,叫做定位new。

delete只能释放使用new分配的对象,而且不能重复释放。

内置指针动态分配的对象在显示删除之前一直存在。

为了避免重复释放,delete指针之后把其置为空指针。但是无法保证另外的指针对象不被误用。

 

12.1.3 shared_ptr 和 new 结合使用

可以使用new返回的指针初始化shared_ptr类型,如shared_ptr<int> p2(new int(42))。

shared_ptr不接受隐式转换,只能使用直接初始化的形式不能使用拷贝初始化。返回shared_ptr类型的函数不能使用返回普通指针。

智能指针默认使用delete销毁对象,因此默认传入可以被delete销毁的对象,否则需要传入自定的销毁函数shared_ptr<T> p(q,d)。

shared_ptr能够和同类型之间协调析构计数,但是和内置指针无法交流。因此用来构造智能指针的内置指针对象无需delete。

也不能将同一块内置指针类型构造不同的共享指针。构造了共享指针之后不应用内置指针继续访问。也不要使用共享指针的get构造另外的共享指针。

reset可以修改共享指针指向的内存。reset会更新引用计数,如果原对象没有其它共享指针引用,会被销毁。

 

12.1.4 智能指针和异常

智能指针能够在程序抛出异常时自动销毁对象。而内置指针不能自动delete。

可以传递第二个参数作为智能指针指向对象的销毁函数,如shared_ptr<connection> p(&c, end_connection)。

 

12.1.5 unique_ptr

unique_ptr指向的对象只能被一个unique_ptr指向。必须采用直接初始化形式。

unique_ptr不能赋值和拷贝。可以reset转移指向的对象,reset接受内置指针或空。

release放弃对象,返回指针,将自己置为空。通常用其返回值初始化其它智能指针或者赋值。

可以拷贝或者赋值一个即将被销毁的unique_ptr,如函数返回。

向unique_ptr传递删除函数需要在尖括号中指定类型,如unique_ptr<connection, decltype(end_connection)*> p(&c, end_connection);

 

12.1.6 weak_ptr

weak_ptr指向一个共享指针指向的对象,不改变引用计数也不控制指针生存期。

使用shared_ptr初始化weak_ptr,可以直接初始化或赋值初始化。

不能用weak_ptr直接访问对象,调用lock函数返回shared_ptr,若对象已销毁返回空共享指针。

 

12.2 动态数组

直接使用new分配多个对象,不如使用标准库如vector等。

12.2.1 new 和数组

new 类型名后方括号加数目,分配一个对象数组。返回指向第一个对象的指针。

new一个动态数组可以使用值初始化或者一个花括号列表初始化。若列表初始化数量多分配失败,少的部分值初始化。

可以动态分配长度为0的数组,但不能引用。

释放动态数组时使用delete[]。

可以使用unique_ptr智能指针管理动态数组,如unique_ptr<int[]> up(new int[10])。尖括号指定数组类型。

up.release调用delete[]销毁数组。

当unique_ptr指向数组时不能使用点运算符和箭头运算符,可以使用下标运算符访问元素。

shared_ptr默认不支持管理动态数组,除非提供自定义的删除器,一般用lambda函数。

 

12.2.2 allocator 类

allocator类将内存的分配和对象构造分离。

allocator<T> a; 初始化 a.allocate(n)分配内存; a.deallocate(p,n)收回内存; a.construct(p, args)在指针p处构造一个对象。

a.destroy(p)对p指向的对象执行析构函数,但没有释放内存。

deallocate必须释放的是由allocator分配的内存,而且n的大小相等。

uninitialized_copy(b,e,b2) b2为指向未初始化的内存,b,e是迭代器。uninitialized_copy_n(b,n,b2)类似。返回递增后的b2。

uninitialized_fill(b,e,t)将对象t拷贝到迭代器范围(b,e)中。uninitialized_fill_n(b,n,t)类似。b指向未初始化的内存。

auto p = alloc.allocate(vi.size()*2); 

auto q = uninitialized_copy(vi.begin(), vi.end(), p);

uninitialized_fill_n(q, vi.size(), 42);

 

C++智能指针shared_ptr的三种使用方式 智能指针通常是指基于引用计数的智能指针,在c++11标准中就是std::shared_ptr。它的特点是如果可以安全的放入STL容器中。 有以下三种方式可以使用shared_ptr 1. 如果你的c++编程环境支持c++标准,那么可以直接使用 std::shared_ptr,它定义在memory文件中。 2. 如果你的c++实现支持 C++TR1库扩展,那么可以使用 std::tr1::sh 阅读详情

相关推荐

RealSense D455的标定并运行VINS-FUSION

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

qq_40186909的博客 2万+

《C++Primer》第十二章 动态内存

静态内存、栈内存和堆 我们前面只提到了静态内存或栈内存: 静态内存:用来保存局部static、类static数据成员和定义在任何函数之外的变量 栈内存:保存定义在函数内的非static对象 分配在静态内存或者栈内存的对象由编译器自动创建和销毁。对于栈对象仅在其定义的程序块运行时才存在,static对象在使用之前分配,在程序结束时销毁。 每个程序还拥有一个内存池(被称为自由空间free stor...

TOMACAT的博客 586

Pixhawk RPi CM4 Baseboard 树莓派CM4安装Ubuntu20.04 server 配置ros mavros mavsdk

cm4配置ros mavros连接pixhawk4 Pixhawk RPi CM4 Baseboard

baidu_41704597的博客 2129

《C++ Primer》学习笔记(第十二章)——动态内存

动态内存 之前一篇文章(这篇文章)讲到过,c++内存分为:堆区,栈区,静态区/全局区,代码区和文字常量区五个区。c++通过动态分配的内存位于堆区,堆区的内存需要程序员自动释放,如果没有进行内存释放,就有可能导致内存泄漏。 一、直接管理内存 1、c++通过运算符new在动态内存中分配空间并且返回一个指向该对象的指针;delete接受一个动态对象指针并销毁该对象释放内存。动态分配的对象可以默认初始化,...

weixin_42702722的博客 426

【UE5】VoskPlugin实战:离线语音识别与实时文本转换全流程解析

本文详细解析了如何在UE5中利用VoskPlugin实现离线实时语音转文字功能。从环境搭建、插件配置、核心代码编写到蓝图测试,提供了完整的实战教程。重点阐述了离线方案零延迟、数据私密的优势,并分享了模型选择、性能优化及常见问题的解决方案,帮助开发者快速构建稳定可靠的语音交互系统。

weixin_29001655的博客 622

Visual C++与WPF混合开发:C++/CLI桥接技术实现现代化桌面应用

在桌面应用开发领域,混合编程技术是连接不同技术栈、复用核心资产的关键手段。其核心原理在于通过特定的桥接层,实现托管代码与非托管代码之间的互操作,从而打破语言和运行时环境的壁垒。这项技术的核心价值在于,它允许开发者将高性能、高稳定性的原生C++业务逻辑库,与现代化、高表现力的WPF用户界面无缝结合,避免了重写核心代码的巨大成本和风险。在工业控制、数据可视化、上位机软件等对性能和界面均有高要求的应用场景中,这种架构尤为适用。本文以C++/CLI作为桥接技术,详细演示了如何构建一个包含原生C++核心层、C++/C

weixin_33146151的博客 280

stl容器vector存储类对象及其使用方式

0x00 唠唠叨叨 工作那么长时间stl容器很少去存储简单类型,一般都是利用stl容器的特性,去存储复杂类型,比如:类对象、结构体.... 0x01 实例操作 class CheckInfo { public: CheckInfo(std::string _strTime, std::string _token) { if (!_strTime.empty()) {

破瓜棚 1万+

SO逆向入门实战教程一:OASIS

文章目录一、前言二、准备三、Unidbg模拟执行四、ExAndroidNativeEmu 模拟执行五、算法分析六、尾声 一、前言 这是SO逆向入门实战教程的第一篇,总共会有十三篇,十三个实战。有以下几个注意点: 主打入门级的实战,适合有一定基础但缺少实战的朋友(了解JNI,也上过一些Native层逆向的课,但感觉实战匮乏,想要壮壮胆,入入门)。 侧重新工具、新思路、新方法的使用,算法分析的常见路子是Frida Hook + IDA ,在本系列中,会淡化Frida 的作用,采用Unidbg Hook + .

lilac的博客 2万+

C++ Primer——第十二章 动态内存 笔记

C++ Primer——第十二章 动态内存 笔记

weixin_46698891的博客 227

C#上位机与VisionPro通用框架:视觉标定、通信联动与现场排坑实战

工业自动化设备的上位机开发,往往面临流程控制、视觉检测、通信交互等环节的重复搭建。C#作为主流工业语言,配合VisionPro视觉软件,可通过通用框架设计将状态机调度、相机采集、标定算法与串口/扫码枪通信等底层能力模块化,从而大幅降低项目交付成本。其核心原理在于:将设备工艺差异封装至配置层,视觉流程通过CogToolBlock工具链与VPP模板复用,九点标定建立像素与机械坐标系的映射关系。该方案已在螺丝锁付、点胶定位等多类产线落地,尤其适用于批量交付、换型频繁的视觉设备场景。这套从实践中沉淀的框架思路,以及

weixin_31102231的博客 343

200_matlab处理NCEP数据并画全球彩色的风场图

200_matlab处理NCEP数据并画全球彩色的风场图。

miaobo0的博客 1242

C++ primer学习笔记 第十二章 动态内存

对象的生命周期: 全局对象在程序启动时分配,结束时销毁。 局部对象在进入程序块时创建,离开块时销毁。 局部static对象在第一次使用前分配,在程序结束时销毁。 动态分配对象:只能显式地被释放。 对象的内存位置: 静态内存用来保存局部static对象、类static对象、定义在任何函数之外的变量。 栈内存用来保存定义在函数内的非static对象。 堆内存,...

Vermont_的博客 333

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

《c++ primer笔记》第十二章 动态内存

目前写的程序都只使用过静态内存和栈内存。==静态内存==用来保存局部`static`对象、类static数据成员以及定义在任何函数之外的变量。==栈内存==用来保存定义在函数内的非`static`对象。==分配在静态或栈内存中的对象由编译器自动创建和销毁,对于栈对象,仅在其定义的程序块运行时才存在:static对象在使用之前分配,在程序结束时销毁

qq_18824403的博客 323

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

C++Primer:第十二章 动态内存 笔记

概述信息1、静态内存用来保存1)局部static对象、2)类static数据成员、3)定义在函数外的变量。2、栈内存保存1)函数内非static对象3、静态内存和栈内存中的对象由编译器自动创建和销毁。1)栈对象:仅在其定义的程序块运行时才存在2)static对象:使用之前分配,程序结束时销毁4、补充一下C++的内存区域1)代码区:存放程序代码2)静态数据区:存放全局变量或对象、static局部变量...

人在旅途的博客 661

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

C++ Primer 学习笔记 第十二章 动态内存

全局对象在程序启动时分配,在程序结束时销毁。局部自动对象在我们进入其所在的程序块时被创建,在离开块时销毁。局部static对象在第一次使用前分配,在程序结束时销毁。 除了自动和static对象外,C++还支持动态分配对象,动态分配的对象的生存期与他们在哪里创建是无关的,只有当显式地被释放,这些对象才会被销毁。 动态对象的正确释放是编程中极其容易出错的地方,为安全地使用动态对象,标准库定义了两个智能...

tus00000的博客 364

【C++ Primer笔记】第十二章 动态内存

第十二章 动态内存

qq_42629529的博客 152

《C++ Primer》 读书笔记——第十二章 动态内存

第十二章 动态内存 12.1 动态内存和智能指针 1、new和delete C++的动态内存管理是通过new和delete来完成的 new:在动态内存中为对象分配空间并返回一个指向该对象的指针,我们可以选择对对象进行初始化 delete:接受一个动态对象指针,摧毁该对象,并释放与之相关的内存 我们经常会忘记delete,所以推荐使用智能指针 2、三种智能指针 shared_ptr:允许多个指针指向同一个对象 unique_ptr:“独占”所指向的对象 weak_ptr:是一种弱引用,指向shared_ptr

youyadefeng1的博客 222

c++primer plus 6 读书笔记 第十二章 类和动态内存分配

  第十二章 类和动态内存分配 12.1 动态内存和类 动态内存分配让程序运行时决定内存分配。C++使用new和delete来动态控制内存。 12.1.1 复习示例和静态类成员 12.1.2  特殊成员函数 默认构造函数 复制构造函数(将一个对象复制到新创建的对象) 复制构造函数原型: Class_name(consr Class_name &amp;); 新建一个对象并将其初始化...

一只大鸽子的博客 474

C++primer十万字笔记 第十二章 动态内存

 全局对象在程序启动时分配,结束时销毁。局部自动对象进入其定义的所在程序块中分配在离开时销毁。局部static对象在第一次使用前分配,在程序结束时销毁。  C++还支持动态内存。动态分配的对象的生存期与它们在哪里创建时无关的,只有当显式的释放时这些对象才会销毁。但是动态内存是最容器出错的地方。为了更安全的使用动态内存,标准库定义了两个智能指针来管理动态分配对象。当一个对象应该被释放时,指向它的智能指针可以确保自动释放它。  静态内存用来保存局部static对象、类static数据成员以及定义在任何函数外的变

q1540108857的博客 482

C++ primer 第五版个人笔记 第十二章 动态内存

程序用堆来存储动态分配的对象(即那些在程序运行时分配的对象),动态对象的生存期由程序来控制,当其不再使用时,我们的代码必须显式地销毁他们; 12.1 动态内存与智能指针 C++中动态内存的管理是通过一对运算符new和delete来完成的,new在动态内存中为对象分配空间并返回一个指向该对象的指针,delete接受一个动态对象的指针并销毁该对象释放与之关联的内存; 新标准库提供两种智能指针管理...

Mint2yx4的博客 260

c++Primer读书笔记(第十二章 动态内存)

12.1 动态内存与智能指针 头文件 12.1.1 shared_ptr make_shared函数 最安全的分配和使用动态内存的方法是调用一个名为make_shared的标准库函数。 auto p = make_shared<int>(42); auto q(p); 使用了动态生存期的资源的类 使用动态内存出于以下三种原因: 程序不知道自己需要使用多少对象 程序不知道所需对象的准确类型 程序需要在多个对象间共享数据 ...

weixin_42699130的博客 424

C++_Primer_学习笔记_第十二章(动态内存)

第十二章(动态内存) 1).动态分配对象的生存期和它们在哪里创建是没有关系的,只有显式地被释放时,这些对象才会被释放。 2).为了解决动态对象能够被正确释放的问题,设置了智能指针。当一个对象应该被释放时,指向它的智能指针可以确保自动地释放它。 3).静态内存。 局部static变量。 类的static数据成员 全局变量 4).栈内存。保存局部变量。 5).静态内存和栈内存,由编译器自动创建和销毁。 6).程序的自由空间,或者堆。程序可以用堆,存储动态分配(程序运行时分配)的对象(它的创建和销毁由程序代码

YRC的博客 453

C++Primer 学习笔记 第十二章 动态内存

//12.1 动态内存与智能指针 //在C++中,动态内存的管理是通过一对运算符来完成的:new,在动态内存中为对象分配空间并返回一个只想该对象的指针,我们可以选择对对象进行 //初始化;delete,接受一个动态对象的指针,销毁该对象,并释放与之关联的内存。 //动态内存的使用很容易出现问题,因为确保在正确的时间释放内存是极其困难的。有时我们会忘记释放内存,在这种情况下就会产生内存泄露; //有时在尚有指针引用内存的情况下我们就释放了它,在这种情况下就会产生引用非法内存的指针。 //为了更容易地使用动

m0_46691785的博客 315

(C++Primer Plus)第十二章 类和动态内存分配笔记

12.1动态内存和类 12.1.1一些分析 #include <iostream> #ifndef STRNGBAD_H_ #define STRNGBAD_H_ class StringBad { private: char* str; int len; static int num_strings; public: StringBad(const char* s); StringBad(); ~StringBad(); frien...

margaret522的博客 382
上一篇: 强化学习(RLAI)读书笔记第五章蒙特卡洛方法
下一篇: c++ primer 第十二章习题
无所知
博客等级 码龄12年 232粉丝 128原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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