小议auto_ptr

YOLO26算法保龄球馆保龄球目标检测+训练好的模型+743张数据集+pyqt可视化界面.zip 数据集可视化效果可参见下方展示。 【数据集概况】 · 检测类别(中文):[保龄球(bowling)] · 训练集:594 张 · 验证集:75 张 · 测试集:74 张 · 总计:743 张 该数据集聚焦于室内保龄球馆场景,系统性采集了多角度、多姿态下保龄球在不同运动阶段的视觉特征,为保龄球运动过程中的球体识别与轨迹分析提供了高质量标注样本,具有明确的体育训练与智能辅助系统开发价值。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9938** mAP50-95 | 0.6966 Precision | 0.9740 Recall | 0.9974 train/box_loss | 0.9113 train/cls_loss | 0.2862 val/box_loss | 1.1516 val/cls_loss | 0.3116 【训练过程分析】 100 轮训练后 mAP50 达到 0.9938,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.6966,和 mAP50 差距 0.30,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9740、Recall 0.9974,精召双高,模型对保龄球的检测能力强。 【预测效果展示】 验证集预测效果较好,检测框基本准确覆盖保龄球,置信度整体偏高。 【改进建议】 1. 丰富场景多样性:补充不同光照、背景和遮挡条件下的样本。 2. 提升输入分辨率:640 ... 立即下载

    小议auto_ptr

 一直以来都以为auto_ptr是个易用的东西,虽然一直都
没有用过它.直到昨天,终于用了一下VC版本的auto_ptr,
结果许多行为令人费解.
 没有办法,又重新把STL参考书研究了一遍,随后把VC版
的auto_ptr源码翻来研究了一番,原来是.....

 有所得,总结了如下一些东东,望对初学者有所帮助.同
时,若有不对的地方望各位大虾多指教.
 
 详细解说见代码注解!

//auto_ptr.h

#ifndef AUTO_PTR__H__
#define AUTO_PTR__H__

//声明:
//1.以下源代码仅供学习.任何使用过程中所造成的后果与作者无关.
//2.如果您使用了,表示您接受该声明

//作者 古斌亮
//时间 2003.06.21
//email: kinglinux@163.com

//vc auto_ptr:仿照VC版的auto_ptr行为写的一个auto_ptr
namespace vc
{
 template<class T>
 class auto_ptr
 {
 public:
  explicit auto_ptr(T * p = NULL):_own(p!=0), _ptr(p){}
  
 public:
  auto_ptr(const auto_ptr<T>& y): _own(y._own), //拥有权转移到目标
   _ptr(y.release()){}
  
  auto_ptr<T>& operator=(const auto_ptr<T>& y)
  {
   if(this!=&y)
   {
    if(_ptr!=y._ptr)//是否同一个对象
    {
     if(_own)//是否具备拥有权
     {
      delete _ptr;
      _ptr = NULL;
     }
     _own = y._own;
    }
    else if(y._own)_own = true;
    _ptr = y.release();//拥有权转移到目标
   }
   return (*this);
  }
  
  ~auto_ptr()
  {
   if(_own)//如果具备拥有权
   {
    delete _ptr;
    _ptr = NULL;
   }
  }

 public:
  T& operator*() const
  {
   return (*_ptr);
  }

  T *operator->() const
  {
   return (_ptr);
  }

 public:
  T * release() const
  {
   ((auto_ptr<T>*)this)->_own = false;//拥有权转移到目标
   return (_ptr);
  }

 private:
  bool _own;//记录是否拥有权
  T *  _ptr;//引用指针
 };
};//namespace vc


//stl auto_ptr:仿照STL版的auto_ptr行为写的一个auto_ptr
namespace stl
{
 template<class T>
 class auto_ptr
 {
 public:
  explicit auto_ptr(T * p = NULL):_ptr(p){}
  
 public:
  auto_ptr(auto_ptr<T>& y):_ptr(y._ptr)//拥有权转移到目标
  {
   y._ptr = NULL;//释放拥有权
  }
  
  auto_ptr<T>& operator=(const auto_ptr<T>& y)
  {
   if(this!=&y)
   {
    if(_ptr)//释放原先拥有的对象
    {
     delete _ptr;
     _ptr = NULL;
    }

    _ptr = y._ptr;//拥有权转移到目标
    y._ptr = NULL;//释放拥有权
   }
   return (*this);
  }
  
  ~auto_ptr()
  {
   delete _ptr;//释放拥有的对象
  }

 public:
  T& operator*() const
  {
   return (*_ptr);
  }

  T *operator->() const
  {
   return (_ptr);
  }

 private:
  T *  _ptr;//指向具备拥有权对象的指针
 };
};//namespace stl

//以下的一个版本是参考<<C++标准程序库>>(The C++ Standard Library)
//Nicolai M.Josuttis 著 侯捷 孟岩 译  2002年9月
//一书 P222 6.8 提出的具备reference的auto_ptr的观点所做的一个版本
//ref auto_ptr:
namespace ref
{
 template<class T>
 class auto_ptr
 {
 public:
  explicit auto_ptr(T * p = NULL):_ptr(p),_count(new unsigned long(1)){}
  
 public:
  auto_ptr(auto_ptr<T>& y):_ptr(y._ptr),_count(y.addref()){}//增加引用计数
  
  auto_ptr<T>& operator=(auto_ptr<T>& y)
  {
   if(this!=&y)
   {
    if(_ptr!=y._ptr)//是否同一个对象
    {
     release();//释放自己原来的拥有权,这一步
     _ptr = y._ptr;
     _count = y.addref();//增加引用计数
    }
   }
   return (*this);
  }
  
  ~auto_ptr()
  {
   release();//释放拥有权
  }

  T& operator*() const
  {
   return (*_ptr);
  }

  T *operator->() const
  {
   return (_ptr);
  }

  unsigned long * addref(void)//增加引用计数
  {
   ++(*_count);
   return (_count);
  }

 private:
  void release(void)
  {
   if(--(*_count)==0)//减少引用计数并测试引用计数是否为0
   {
    delete _ptr;
    delete _count;
   }
   _count = NULL;//释放引用计数器
   _ptr = NULL;//释放拥有权
  }

 private:
  T *     _ptr;//引用对象指针
  unsigned long *  _count;//引用计数器指针
 };
};//namespace ref

//以上3个版本都是仿照现在比较大众化的被普遍接受的auto_ptr行为的
//简单实现.
//在应用上,用具备引用计数的auto_ptr的是比较好的.

//对于auto_ptr的实现还有许多方法,特别是可以依据在不同的应用场合
//实现不同的版本以改变auto_ptr的行为,让它更适合于我们的应用.
//如在自己的类库中完全可以用基类来做引用计数从而实现安全的
//具备引用计数的auto_ptr
//又如可以用template<>的方法为要装载的类加一个引用计数来实现
//具备引用计数的auto_ptr

//the end.

#endif //AUTO_PTR__H__

//以下是VC6下的测试程序

//dog.h

#ifndef DOG__H__
#define DOG__H__

#include <iostream>
#include <string>

//测试类
class dog
{
public:
 dog(std::string name = "NoName"):_name(name)
 {
  std::cout<<"dog::dog()"<<std::endl;
 }

 ~dog()
 {
  std::cout<<"dog::~dog()"<<std::endl;
 }

public:
 void bark(void)
 {
  std::cout<<_name<<" always bark at rose."<<std::endl;
 }

public:
 void Name(const std::string& name)
 {
  _name = name;
 }

 std::string Name(void)
 {
  return _name;
 }

private:
 std::string  _name;
};

#endif //DOG__H__

//main.cpp

#include <iostream>
#include <string>

#include "auto_ptr.h"
#include "dog.h"

/////////////////////////////////////////
//test vc auto_ptr
void test_vc_fun(void)
{
 std::cout<<"=== test vc auto_ptr ==="<<std::endl;

 vc::auto_ptr<dog> ptom(new dog("Tom"));

 {
  vc::auto_ptr<dog> pjack(ptom);
  ptom = pjack; //1.
  pjack->Name("Jack");
  pjack->bark();
  pjack->Name("Tom");
 }
 ptom->bark();//因为有1.=>successful,如果去掉1.=>error
}


/////////////////////////////////////////
//test stl auto_ptr
void test_stl_fun(void)
{
 std::cout<<"=== test stl auto_ptr ==="<<std::endl;

 stl::auto_ptr<dog> ptom(new dog("Tom"));

 {
  stl::auto_ptr<dog> pjack(ptom);
  pjack->Name("Jack");
  pjack->bark();
 }
 //ptom->bark();//error
}

/////////////////////////////////////////
//test ref auto_ptr
void test_ref_fun(void)
{
 std::cout<<"=== test ref auto_ptr ==="<<std::endl;

 ref::auto_ptr<dog> ptom(new dog("Tom"));

 {
  ref::auto_ptr<dog> pjack(ptom);
  pjack->Name("Jack");
  pjack->bark();
 }

 ptom->bark();//successful
}

void main(void)
{
 std::cout<<"Hello,the world!"<<std::endl;
 test_vc_fun();
 test_stl_fun();
 test_ref_fun();
}

//the end

 

goose 是一款在您的设备上运行的通用型 AI 代理 一款开源、可扩展的AI代理,功能远超代码建议——支持安装、执行、编辑以及与任何大型语言模型(LLM)进行测试。 立即下载

相关推荐

MATLAB中天线阵列的自适应波束形成仿真,包括干扰抑制和时变信号跟踪.zip

1.版本:matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点:参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象:计算机,电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。

动态分配资源的自动释放 - auto_ptr的实现原理

本文移至:http://patmusing.blog.163.com/blog/static/13583496020101824142699/

玄机逸士的专栏 2261

优胜大厅无线排队叫号系统方案Word(25页).doc

智慧方案依托物联网、大数据、人工智能等新一代信息技术,面向智慧城市、智慧园区、智能制造、智慧教育、智慧工程等多个垂直领域,从业务痛点出发搭建全链路数据驱动的智能管理体系,打破传统模式下信息孤岛、资源浪费、决策滞后等核心问题,覆盖需求调研、方案设计、落地实施、运维优化全流程,既能为IT从业者提供标书撰写、项目申报的专业参考框架,也能帮助政企单位快速理清数字化转型的实施路径,大幅降低方案的试错成本与沟通成本,是技术人员排查问题、业务人员梳理逻辑、管理人员评估项目的实用工具,如果你需要海量细分赛道的成熟参考案例,欢迎进入找方案知识星球,获取覆盖数十个行业的专属智慧方案库,快速提升方案产出效率与专业度。

小议auto_ptr (转)

小议auto_ptr (转)[@more@]小议auto_ptr 一直以来都以为auto_ptr是个易用的东西,虽然一直都没有用过它.直到昨天,终于用了一下VC版本的auto_ptr,结果许多行为令人费解.没有办法,又重...

csd3176的博客 81

PaddleOCRApi面向 Windows 与 Linux 的轻量级 OCR 与YOLO目标检测 HTTP 服务

PaddleOCR 与YOLO目标检测 HTTP 服务。 项目通过 PaddleOCROnnx 原生库集成 OnnxRuntime加速能力,围绕 ONNX 模型部署, 以统一接口提供图像文字识别、YOLO 目标检测和 Tensor 数据输出。 功能概览 文字识别:支持图片 Base64、multipart/form-data 上传,以及文本和 JSON 结果。 目标检测:支持 YOLO 图片检测,返回检测框 JSON 或原始 Tensor。 浏览器演示:访问服务根地址,上传图片并切换 OCR、YOLO 模式。 健康检查:通过 /health 查看服务及 OCR、YOLO 引擎初始化状态。 并发处理:通过 OCR 引擎实例池处理并发请求,可调整实例数量。 体验与调用 启动后访问: 入口 地址 浏览器演示 http://localhost:5000/ 健康检查 http://localhost:5000/health 原生依赖 Windows:优先从 runtimes/win-x64/native/ 加载原生 DLL;该目录没有 PaddleOCROnnx.dll 时,尝试从可执行文件所在目录加载。主 DLL 与对应后端依赖应放在同一原生目录中,不要将同一组依赖分散到多个目录。 Linux:原生运行时位于 runtimes/linux-x64/native/,程序使用相对于可执行文件的运行时搜索路径查找随包部署的依赖。 后端选择:CoreOCROnnx 支持 ONNX Runtime、OpenVINO、TensorRT 后端。请使用与平台、进程架构、硬件和后端匹配的一整套运行时,不要混用不同后端或版本的依赖。

丧尸枪战_1.0

丧尸枪战1.0这是一款我自己做的游戏2d版本的这个游戏我以后会更新

【风场景生成与削减】【m-ISODATA、kmean、HAC】无监督聚类算法,用于捕获电力系统中风场景生成与削减研究(Matlab代码实现)

内容概要:本文聚焦于电力系统中风场景的生成与削减问题,系统性地应用m-ISODATA、k-means和HAC三种无监督聚类算法对大规模风力发电数据进行处理,旨在降低风电不确定性带来的计算负担并保留关键时序特征。研究基于Matlab平台实现了完整的数据预处理、聚类建模与结果可视化流程,深入探讨了各算法在确定聚类簇数、划分数据结构及构建层次关系方面的机理差异,并通过实验对比验证了其在场景削减效果、计算效率与鲁棒性方面的性能表现。该方法为含高比例风电的电力系统提供了高效、可靠的典型场景集构建手段,支撑后续的随机优化、风险评估与调度决策。; 适合人群:具备电力系统分析基础、熟悉Matlab编程的研究生、科研人员以及从事新能源并网、电力系统规划与运行优化的工程技术人员。; 使用场景及目标:①应对风电出力强随机性与波动性,为随机规划、鲁棒优化等高级应用提供精简且具代表性的输入场景;②深入比较m-ISODATA(自适应确定簇数)、k-means(高效快速划分)与HAC(构建层次化场景结构)三类算法的技术特点与适用边界,指导实际项目中算法选型;③通过代码实践掌握从原始风速/功率数据清洗、特征提取、距离度量选择、聚类有效性评估到最终场景概率赋值的全流程技术栈。; 阅读建议:学习者应结合提供的Matlab代码进行动手实践,重点理解数据标准化、欧式距离与动态时间规整(DTW)等相似性度量的选择依据、聚类数目评估指标(如肘部法则、轮廓系数)的应用,以及如何通过削减前后场景的概率分布和典型性来检验结果质量,并可进一步将此方法迁移至光伏发电、负荷等其他不确定性场景的建模与简化研究中。

flink(Java)

「flink(Java)」是开源项目(Java)。项目简介:Apache Flink源码完整,下载解压即可查看使用,适合学习参考、课程设计与二次开发。

Retro-Telemetry-Dashboard-Acceptance-Scorecard-v1.0-原创源码与文档.zip

原创 JavaScript 离线工具,包含完整源码、README、MIT LICENSE、原创与授权声明、自动化测试、示例数据、真实运行截图及离线报告。解压后运行 npm test 验证,再用 node src/cli.js examples/sample.json 生成报告;不依赖外部服务。

2026 年高教社杯全国大学生数学建模竞赛A题–药材的烘干问题(数学建模,代码,论文免费分享)

内容概要:本文围绕2026年高教社杯全国大学生数学建模竞赛A题“药材的烘干问题”,提供了一套完整的数学建模解决方案,涵盖问题分析、模型构建、算法求解与结果验证全过程。文中详细探讨了药材烘干过程中温度、湿度、风速等关键参数对干燥效率与品质的影响,建立了基于传热传质理论的动态数学模型,并结合实际约束条件,采用优化算法对烘干工艺进行参数调优。此外,资源包内还包含配套的MATLAB代码与论文撰写模板,实现了从理论建模到编程实现再到成果输出的一体化支持,具有较强的实践指导意义。; 适合人群:全国大学生数学建模竞赛参赛学生,尤其是具备一定数学建模基础、编程能力(如MATLAB)和优化理论知识的本科高年级学生或研究生;也可供从事农业工程、中药加工、干燥技术等领域研究的技术人员参考。; 使用场景及目标:①应用于数学建模竞赛中对实际工程问题的建模与求解训练;②掌握传热传质模型在农产品干燥中的应用方法;③学习如何将物理过程转化为数学模型并利用优化算法求解;④获取可复用的代码框架与论文写作范式,提升竞赛备赛效率。; 阅读建议:建议读者结合所提供的代码与数据同步运行、调试模型,深入理解各模块的设计逻辑;在学习过程中重点关注模型假设的合理性、参数敏感性分析及结果可视化表达技巧,以全面提升建模综合能力。

华为路由器交换机仿真软件HW-RouteSim3.0(含实验)

源码直接下载地址: https://pan.quark.cn/s/a4b39357ea24 华为模拟器_Route sim3.0 RouteSim是在借鉴国外同类软件研究成果后研发的中文路由模拟软件,其显著特征在于界面设计清晰、操作流程简便、辅助说明完备且易于掌握。该软件特别适用于初学者以及在校大学生在进行网络互联课程实验教学的实践环节。可以预见,对于备考网络工程师认证的朋友以及准备CCNP、CCNA认证的朋友们来说,这款软件应当不会感到陌生。

2026年最新合肥市公交、地铁线路及站点矢量数据.zip

数据格式:shp 数据坐标:GCJ02 数据更新时间:2026年9月 公交线路来源:8684网站 https://8684.com.cn/ 站点数据来源:高德API接口 数据打开方式:QGIS或Arcgis 站点数据字段:名称、序号、对应线路、几何信息 线路数据字段:名称、类型、起点、终点、开始时间、结束时间、起步价、全价、长度、公司、几何信息

2026 年高教社杯全国大学生数学建模竞赛C 题 微网与外部电网电力调控策略(数学建模,代码,论文免费分享)

内容概要:本文围绕2026年高教社杯全国大学生数学建模竞赛C题“微网与外部电网电力调控策略”展开,系统研究了微电网内部源-荷-储的协同优化调度及其与主电网的能量交互机制。内容涵盖电力系统建模、不确定性因素(如风光出力波动、负荷变化)的处理方法,重点引入鲁棒优化、两阶段优化等先进建模技术以提升策略的稳定性与实用性。研究不仅构建了完整的数学模型,还配套提供了Matlab代码实现、仿真结果分析及论文撰写框架,帮助使用者从理论到实践全面掌握问题求解路径。此外,资源包中包含了详细的运行结果展示、参考文献支持以及可复现的完整资料下载链接,极大提升了学习与参赛效率。; 适合人群:全国大学生数学建模竞赛参赛学生,尤其是具备一定数学建模基础、Matlab编程能力及电力系统相关知识的本科生与研究生;同时也适用于从事微电网优化、能源调度、智能电网等领域研究的科研人员和技术开发者。; 使用场景及目标:①用于备赛训练,快速掌握C题核心建模思路与求解流程,提升竞赛实战能力;②学习微电网在不确定性环境下的优化调度方法,深入理解鲁棒优化、场景削减、多目标协调等关键技术在能源系统中的实际应用;③通过提供的代码与论文模板进行修改与拓展,完成高质量的建模作品或科研原型。; 其他说明:该资源为免费分享内容,包含题目解析、完整代码、仿真结果与论文框架,可通过指定公众号“荔枝科研社”或百度网盘链接获取全套资料。建议使用者结合实际数据进行模型调参与结果验证,以增强模型的适应性与创新性,同时鼓励在原有基础上开展延伸研究,提升学术与应用价值。

2026网信玄盾珠峰网络安全技能大赛决赛竞赛手册.docx

2026网信玄盾珠峰网络安全技能大赛决赛竞赛手册.docx

data-with-features.csv

data-with-features.csv

上一篇: STL实践指南
下一篇: 介绍一个VC中代码缩进的工具
greytree
博客等级 码龄25年 5粉丝 26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

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