warn

"defined but not used"

gcc 编译有"defined but not used" 警告,那么在 CPPFLAGS 这边进行修改:

WARNFLAGS = -Wall -Wno-unused-function
CPPFLAGS =-std=c++11  $(WARNFLAGS) ...

参考: https://blog.csdn.net/qq_28584889/article/details/97764810
https://cloud.tencent.com/developer/ask/119165

error: this ‘if’ clause does not guard... [-Werror=misleading-indentation], misleadingly indented as if it were guarded by” an if?

这个是 if 代码下面的缩进有些问题,只要检查缩进就行。有可能是多缩进了,也有可能是空格和 tab 混合使用。

参考: https://stackoverflow.com/questions/50318900/why-is-gcc-warning-me-this-line-is-misleadingly-indented-as-if-it-were-guarded
https://blog.csdn.net/lun55423/article/details/115530114

录屏软件

sudo apt-get install kazam 安装 kazam 录屏软件,保存为 mp4。 然后安装 ffmpeg

转换

ffmpeg -i kazam.movie.mp4 simpletest.gif
ffmpeg -ss 2 -t 4 -i kazam.movie.mp4 -s 360x720 -r 16 advancedtest.gif 其中, -ss 2 -t 4 表示从从视频的第2秒开始转换,转换时间长度为4秒后停止。 -s用于设定分辨率, -r 用于设定帧数,据说gif有15帧左右就比较流畅了(能看就行了,gif图片体积还是挺大的)。

参考:

https://blog.csdn.net/RedKeyer/article/details/89519984

github 上面有一个 onnx 模型的仓库,里面有关于修改图像风格的,直接按照里面的说明即可。 有多种风格,碎玻璃,棒棒糖等等。

参考: https://github.com/onnx/models/tree/master/vision/style_transfer/fast_neural_style
https://github.com/pytorch/examples/blob/master/fast_neural_style/neural_style/utils.py
https://github.com/onnx/models/tree/master/vision
https://github.com/onnx/models/tree/master/vision/classification/mobilenet
https://github.com/onnx/models/blob/master/vision/classification/imagenet_preprocess.py
https://github.com/onnx/models/blob/master/vision/classification/imagenet_inference.ipynb
https://github.com/onnx/models/tree/master/vision/classification/squeezenet

nvidia 内核配置

[*] Enable loadable module support --->
Processor type and features --->
   [*] MTRR (Memory Type Range Register) support
Device Drivers --->
   Graphics support --->
      [*] VGA Arbitration
Device Drivers --->
   Character devices --->
      [*] IPMI top-level message handler

framebuffer 会和 nvidia 冲突,所以去除一些内核选项。

Device Drivers --->
    Graphics support --->
        Frame buffer Devices --->
            <*> Support for frame buffer devices --->
            < >   nVidia Framebuffer Support
            < >   nVidia Riva support
Device Drivers  --->
    Graphics support  --->
        < > Nouveau (nVidia) cards

CONFIG_FB_EFI 使能时也会导致驱动有一些问题,所以需要配置如下:

Bus options (PCI etc.)  --->
   [*] Mark VGA/VBE/EFI FB as generic system framebuffer
Device Drivers --->
   Graphics support --->
        Frame buffer Devices --->
            [*] Simple framebuffer support

X 配置

  1. USE=“X” 写入 /etc/portage/make.conf.
  2. 配置内核
Device Drivers --->
  Input device support --->
  <*>  Event interface
Device Drivers --->
   Graphics support --->
      Frame Buffer Devices --->
         <*> Support for frame buffer devices --->
         ## (Disable all drivers, including VGA, Intel, NVIDIA, and ATI, except EFI-based Framebuffer Support, only if you are using UEFI)

      ## (Further down, enable basic console support. KMS uses this.)
      Console display driver support --->
         <*>  Framebuffer Console Support

注意: uefi framebuffer 也不能选择,参考 nvidia 部分,使用 simple framebuffer.

  1. VIDEO_CARDS="nvidia"INPUT_DEVICES="libinput synaptics" 写入到 /etc/portage/make.confportageq envvar INPUT_DEVICES 可以用来查看当前的输入设备。
  2. 安装 xorg emerge -av x11-base/xorg-drivers, emerge --ask x11-base/xorg-server。也可以把 xorg-server 替换为 x11-base/xorg-x11xorg-x11 这个包比 xorg-server大,多了很多字体和其他的一些东西,很多用不上,后面需要再专门安装缺少的。
  3. env-update 然后 source /etc/profile

安装 nvidia 驱动

  1. emerge -av x11-drivers/nvidia-drivers 确保 tools 开启,会自动安装 nvidia-settings。
  2. gpasswd -a xyz video, 把用户加入到 vidio 组里面。

startx

  1. 切换到普通用户,然后运行 startx,发现报错,文件找不到等等,具体信息可以在 ~/.local/share/xorg/Xorg.0.log 里面找到。
  2. 配置文件在 /etc/X11/xorg.conf.d/, 示例在 /usr/share/doc/xorg-server-${version}/xorg.conf.example.bz2
  3. /etc/X11/xorg.conf.d/nvidia.conf 里面写入:
    Section "Device"
    Identifier  "nvidia"
    Driver      "nvidia"
    EndSection
  4. 经过仔细搜索发现这是个比较久的问题。18年的时候,就已经出现了。本质的原因是 xorg-server 的 suid 这个 USE 的问题, suid 能够让使用者的权限提升到拥有者的权限,在以前, xorg-server 会默认带有 suid,这样普通用户也可以 startx。后来 xorg-server 增加了 elogind 这个 use, 可以使用 elogind 而不是 suid,这样 普通用户也可以使用 startx 了,而且因为 systemd 的出现,新的 kde 等桌面,要不依赖 systemd,要不依赖于 elogind.
  5. 在 make.conf 里面的 USE 里面增加 elogind,这样全局开启 elogind,然后 emerge -avuDN @world, 然后 emerge --depclean, `emerge
  6. rc-update add elogind boot 把 elogind 增加到 boot 启动里面,否则 pam_elogind 会遇到问题。 参考: https://wiki.gentoo.org/wiki/Non_root_Xorg
    https://wiki.gentoo.org/wiki/Elogind
  7. reboot, 然后 startx 就只是提示没有 xterm 和 twm 了。
  8. emerge -av xterm twm,然后再 startx 就ok 了。
  9. loginctl 后面接不同参数实现不同功能,poweroff reboot suspend hibernate hybrid-sleep 这几个里面休眠还不能用,需要进一步配置,但是关机和重启是可以用的。
  10. 如果希望休眠和恢复增加 hook,可以 写脚本放入 /lib64/elogind/system-sleep/,具体参考: https://wiki.gentoo.org/wiki/Elogind
  11. 可以安装 x11-apps/mesa-progs 来测试 nvidia 显卡。 startx 以后,输入 glxinfo | grep direct 可以查看结果。 还可以运行 glxgears 来查看 fps.
  12. 如果 nvidia 内核模块进行了修改,那么修改了 /etc/modprobe.d/nvidia.conf 之后,还需要 update-modules,然后重新加载模块 modprobe -r nvidia modprobe nvidia

旧系统配置文件

配置文件主要在 /etc/X11/xorg.conf.d/.xinitrc , /etc/X11/Sessions/ 这几个里面。

i3wm

  1. echo ">=x11-wm/i3-4.18 doc" > /etc/portage/package.use/i3 给 i3wm 增加 doc
  2. emerge -av i3 dmenu i3status i3lock 安装 i3wm 相关的软件,其中 i3status 可以用功能更强的 i3blocks 代替,i3bar 可以用 polybar 来代替。
  3. ~/.xinitrc 里面写入 exec dbus-launch --exit-with-session i3 表示使用 i3 作为窗口管理系统。
  4. startx 启动 i3wm,选择默认首次配置地址,选择 win 按键作为 modifier 按键。

双显卡

可以参考 https://wiki.gentoo.org/wiki/NVIDIA/Optimus

参考:

https://wiki.gentoo.org/wiki/Xorg/Guide
https://wiki.gentoo.org/wiki/Non_root_Xorg
https://wiki.gentoo.org/wiki/NVIDIA/nvidia-drivers

使用已有训练集

  1. 下载 https://pan.baidu.com/s/15GSPiJ59dg4kNyUch6W5Xw 提取码 wja4, 先下载口罩的训练集。
  2. 解压训练集,修改训练集中的 data.yaml,把里面的 train 和 val 这两个目录修改为从 yolov5 的 train.py 出发的路径。
  3. 把 yolov5 中的 models/yolov5s.yaml 复制到训练集下面,修改里面的 nc 数值为 2,和训练集的 class number 匹配。
  4. python train.py --img 640 --batch 16 --epochs 300 --data ../dataset/Mask_Wearing.v1-416x416-black-padding.yolov5pytorch_2/data.yaml --cfg ../dataset/Mask_Wearing.v1-416x416-black-padding.yolov5pytorch_2/yolov5s.yaml --weights '' --workers 1 开始训练。 提示有包没有,安装 pip install tensorboard
  5. 发现报错,OSError: [WinError 1455],然后修改 batch 数值,改为 4,就可以了。python train.py --img 640 --batch 4 --epochs 300 --data ../dataset/Mask_Wearing.v1-416x416-black-padding.yolov5pytorch_2/data.yaml --cfg ../dataset/Mask_Wearing.v1-416x416-black-padding.yolov5pytorch_2/yolov5s.yaml --weights '' --workers 1. 参考: https://github.com/ultralytics/yolov5/issues/3182
    https://blog.csdn.net/mr_wei_/article/details/111407093
  6. 训练后的模型在 runs\detect\exp \weights\best.pt 可以直接拿来用。
  7. 测试 python detect.py --weight runs\train\exp3\weights\best.pt --source ..\dataset\Mask_Wearing.v1-416x416-black-padding.yolov5pytorch_2\test\images\126202-untitled-design-13_jpg.rf.56b50d413464989bb2232448a8fbb915.jpg 输出在 runs\detect 下面。

参考:

https://www.bilibili.com/video/BV1Pf4y1R7wD/?spm_id_from=autoNext
https://xugaoxiang.com/2020/07/02/yolov5-training

自己标记

  1. 下载 coco128, https://github.com/ultralytics/yolov5/releases/download/v1.0/coco128.zip
    参考: https://www.gitmemory.com/issue/ultralytics/yolov5/12/757330226

参考:

https://github.com/ultralytics/yolov5/wiki/Train-Custom-Data

转换模型

  1. pip install coremltools>=4.1 onnx>=1.9.0 scikit-learn==0.19.2 安装报错,没有 msvc, 和相应的库。
  2. 下载 https://support.microsoft.com/en-us/topic/the-latest-supported-visual-c-downloads-2647da03-1eea-4433-9aff-95f26a218cc0, 只要 Build Tools for Visual Studio 就可以了,不需要 visual studio 整个安装。安装好后,把 C:\Program Files (x86)\Microsoft Visual Studio\2019\BuildTools\VC\Tools\MSVC\14.29.30037 加入环境变量 MSVC,然后把 %MSVC%\bin\Hostx64\x64 加入环境变量 PATH里面即可。 参考: https://blog.csdn.net/qq_38204686/article/details/108493511
    https://blog.csdn.net/a517858177/article/details/114525735
    https://blog.csdn.net/kaige_zhao/article/details/80315697
  3. 需要安装 libgcc, libquadmath, musl, libgfortran, lapack-dev 库 参考: https://github.com/scipy/scipy/issues/9481
  4. 转换 参考: https://github.com/ultralytics/yolov5/issues/251

参考:

https://github.com/ultralytics/yolov5/issues/251
https://zhuanlan.zhihu.com/p/358176744

参考:

如果安装 conda,那么据说 cudatoolkit 和 cuDNN 都可以不安装。

cuda

cuda 是 nvidia 提供的运算平台。

  1. 打开 cmd, 然后把目录切换到 C:\Program Files\NVIDIA Corporation\NVSMI,然后输入 nvidia-smi 就可以查看自己显卡的 cuda 版本了,版本信息在右上角。
  2. 浏览器打开 https://developer.nvidia.com/cuda-downloads 然后按照自己的 cuda 版本进行下载,下载 local 的。
  3. 安装 cuda,首先选择的是解压临时目录,安装的目录使用目录的即可。安装完成之后,查看环境变量,应该有 CUDA_PATH 等。

参考:

https://www.jianshu.com/p/622f47f94784
https://developer.nvidia.com/cuda-11.1.1-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
https://developer.nvidia.com/cuda-11.2.2-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal

cuDNN

cuDNN 是 nvidia 提供的深度学习 gpu 加速库。

  1. 打开 https://developer.nvidia.com/cudnn , 注册账号。
  2. 登录后,选择 cuda 对应的 cuDNN 进行下载即可。
  3. 解压,把解压后的 bin include lib 这三个文件夹里面的文件复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1 的对应文件夹里面。
  4. 打开 cmd,运行 nvcc -V 有相应输出即可。

参考:

https://www.bilibili.com/video/BV1L5411Y7pM
https://developer.nvidia.com/rdp/cudnn-download
https://xugaoxiang.com/2019/12/18/windows-10-cuda-cudnn/

conda

安装 miniconda,然后打开并配置环境

  1. conda env list 查看已有虚拟环境,conda env remove -n env_name 删除指定虚拟环境。
  2. conda create -n pytorch_v190 创建一个新环境,如果需要指定 python 版本,那么需要追加 python=3.7 这样的版本语句即可。
  3. activate pytorch_v190 启用新环境,python --version 检查当前 python 版本号。
  4. conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge 安装 pytorch
  5. 安装完成后,可以测试一下:
    python
    import torch
    print(torch.cuda.is_available())
    x = torch.ones(2, 2)
    y = x + 2
    print(y)
    exit()

    参考: https://www.bilibili.com/video/BV1oz411v7cv?from=search&seid=9560127527480640558
    https://pytorch.org/get-started/locally/
    https://blog.csdn.net/qq_18668137/article/details/80807829

编辑环境可以安装 jupter notebook 或者 vscode。

vscode 需要安装 python 插件 参考: https://www.bilibili.com/video/BV18K411w7Vs?from=search&seid=9560127527480640558
https://www.jianshu.com/p/f10fb1a4cc87
https://www.jianshu.com/p/ef1ae10ba950

yolov5

  1. https://github.com/ultralytics/yolov5 下载 yolov5 源码
  2. https://github.com/ultralytics/yolov5/releases 下载权重文件并放到源码目录下面的 weights 文件夹
  3. 修改 detect.py ,parser.add_argument('--weights', nargs='+', type=str, default='weights/yolov5s.pt', help='model.pt path(s)') 修改成这样,detect.py 默认就可以在 weights 文件夹下面找权重文件了,也可以使用的时候使用 weights 这个参数。
  4. 在 conda 里面切换到 yolov5 的目录,直接运行 python detect.py,会读取 data/images 下面的图片,处理完之后,输出到 runs/detect 下面。 也可以附带参数,具体参数使用 python detect.py -h 查看,也可以直接看代码,获得去 github 上面查看。如果碰到缺包,可以安装 pip install opencv-python pandas requests pyyaml tqdm matplotlib seaborn

参考:

https://www.bilibili.com/video/BV1QT4y1J7rm
https://github.com/ultralytics/yolov5
https://xugaoxiang.com/2020/06/17/yolov5
https://blog.csdn.net/weixin_39450145/article/details/104801730
https://blog.csdn.net/weixin_43707402/article/details/107688603

参考:

https://www.thepaper.cn/newsDetail_forward_7815641

pyqt 介绍

qt 介绍

Qt 是一个著名的 C++ 库——并不只是一个 GUI 库。使用 Qt,在一定程序上你获得的是一个“一站式”的服务:不再需要研究 STL,不再需要 C++ 的string,因为Qt有它自己的 QString 等等。Qt 本身包含的模块也日益丰富, 一直有新模块和第三方模块加入进来。

QT中的信号与槽(Signal & Slot)机制是 Qt 编程的基础,也是 Qt 的一大创新,使得在 Qt 中处理界面各个组件的交互操作时变得更加直观和简单。

Qt的优点在于:

  • 跨平台实现
  • 广泛的库
  • 友好的API,友好的库实现代码
  • 提供偏向生产力的 Qt widgets 和 偏向交互的 Qt Quick,以及使用 html 的 Qt webengine

基于 Qt 开发的软件: KDE, WPS、YY语音、Skype、豆瓣电台、虾米音乐、淘宝助理、千牛、暴雪的战网客户端、VirtualBox、Opera、咪咕音乐、Google地图、Adobe Photoshop Album 等

嵌入式 Linux 上很多带界面软件也是基于 Qt 来编写的。

pyqt 介绍

PyQt实现了一个Python模块集。它有超过300类,将近6000个函数和方法。它是一个多平台的工具包,可以运行在所有主要操作系统上,包括UNIX,Windows和Mac。

为可用的类有很多,他们被分成几个模块。

  • QtCore模块包含核心的非GUI功能。该模块用于时间、文件和目录、各种数据类型、流、网址、MIME类型、线程或进程。
  • QtGui模块包含图形组件和相关的类,例如按钮、窗体、状态栏、工具栏、滚动条、位图、颜色、字体等。
  • QtNetwork模块包含了网络编程的类,这些类允许编写TCP/IP和UDP的客户端和服务器,他们使网络编程更简单,更轻便。
  • QtXml包含使用XML文件的类,这个模块提供了SAX和DOM API的实现。
  • QtSvg模块提供显示的SVG文件的类。可缩放矢量图形(SVG)是一种用于描述二维图形和图形应用程序的XML语言。
  • QtOpenGL模块使用OpenGL库渲染3D和2D图形,该模块能够无缝集成Qt的GUI库和OpenGL库。
  • QtSql模块提供用于数据库的类。

基于 qt 的 python 界面: pyqt, pyside 基于 qt 的界面:Tkinter, WxPython

- 阅读剩余部分 -

转自: https://www.cnblogs.com/guxuanqing/p/6594857.html#:~:text=%20%E5%8F%B3%E5%80%BC%E5%BC%95%E7%94%A8%E6%98%AF%E7%94%A8%E6%9D%A5%E6%94%AF%E6%8C%81%E8%BD%AC%E7%A7%BB%E8%AF%AD%E4%B9%89%E7%9A%84%E3%80%82%20%E8%BD%AC%E7%A7%BB%E8%AF%AD%E4%B9%89%E5%8F%AF%E4%BB%A5%E5%B0%86%E8%B5%84%E6%BA%90%20%28%20%E5%A0%86%EF%BC%8C%E7%B3%BB%E7%BB%9F%E5%AF%B9%E8%B1%A1%E7%AD%89%20%29%20%E4%BB%8E%E4%B8%80%E4%B8%AA%E5%AF%B9%E8%B1%A1%E8%BD%AC%E7%A7%BB%E5%88%B0%E5%8F%A6%E4%B8%80%E4%B8%AA%E5%AF%B9%E8%B1%A1%EF%BC%8C%E8%BF%99%E6%A0%B7%E8%83%BD%E5%A4%9F%E5%87%8F%E5%B0%91%E4%B8%8D%E5%BF%85%E8%A6%81%E7%9A%84%E4%B8%B4%E6%97%B6%E5%AF%B9%E8%B1%A1%E7%9A%84%E5%88%9B%E5%BB%BA%E3%80%81%E6%8B%B7%E8%B4%9D%E4%BB%A5%E5%8F%8A%E9%94%80%E6%AF%81%EF%BC%8C%E8%83%BD%E5%A4%9F%E5%A4%A7%E5%B9%85%E5%BA%A6%E6%8F%90%E9%AB%98%20C%2B%2B,%E5%AF%B9%E6%80%A7%E8%83%BD%E6%9C%89%E4%B8%A5%E9%87%8D%E5%BD%B1%E5%93%8D%E3%80%82%20%E8%BD%AC%E7%A7%BB%E8%AF%AD%E4%B9%89%E6%98%AF%E5%92%8C%E6%8B%B7%E8%B4%9D%E8%AF%AD%E4%B9%89%E7%9B%B8%E5%AF%B9%E7%9A%84%EF%BC%8C%E5%8F%AF%E4%BB%A5%E7%B1%BB%E6%AF%94%E6%96%87%E4%BB%B6%E7%9A%84%E5%89%AA%E5%88%87%E4%B8%8E%E6%8B%B7%E8%B4%9D%EF%BC%8C%E5%BD%93%E6%88%91%E4%BB%AC%E5%B0%86%E6%96%87%E4%BB%B6%E4%BB%8E%E4%B8%80%E4%B8%AA%E7%9B%AE%E5%BD%95%E6%8B%B7%E8%B4%9D%E5%88%B0%E5%8F%A6%E4%B8%80%E4%B8%AA%E7%9B%AE%E5%BD%95%E6%97%B6%EF%BC%8C%E9%80%9F%E5%BA%A6%E6%AF%94%E5%89%AA%E5%88%87%E6%85%A2%E5%BE%88%E5%A4%9A%E3%80%82%20%E9%80%9A%E8%BF%87%E8%BD%AC%E7%A7%BB%E8%AF%AD%E4%B9%89%EF%BC%8C%E4%B8%B4%E6%97%B6%E5%AF%B9%E8%B1%A1%E4%B8%AD%E7%9A%84%E8%B5%84%E6%BA%90%E8%83%BD%E5%A4%9F%E8%BD%AC%E7%A7%BB%E5%85%B6%E5%AE%83%E7%9A%84%E5%AF%B9%E8%B1%A1%E9%87%8C%E3%80%82%20%E5%9C%A8%E7%8E%B0%E6%9C%89%E7%9A%84%20C%2B%2B%20%E6%9C%BA%E5%88%B6%E4%B8%AD%EF%BC%8C%E6%88%91%E4%BB%AC%E5%8F%AF%E4%BB%A5%E5%AE%9A%E4%B9%89%E6%8B%B7%E8%B4%9D%E6%9E%84%E9%80%A0%E5%87%BD%E6%95%B0%E5%92%8C%E8%B5%8B%E5%80%BC%E5%87%BD%E6%95%B0%E3%80%82%20%E8%A6%81%E5%AE%9E%E7%8E%B0%E8%BD%AC%E7%A7%BB%E8%AF%AD%E4%B9%89%EF%BC%8C%E9%9C%80%E8%A6%81%E5%AE%9A%E4%B9%89%E8%BD%AC%E7%A7%BB%E6%9E%84%E9%80%A0%E5%87%BD%E6%95%B0%EF%BC%8C%E8%BF%98%E5%8F%AF%E4%BB%A5%E5%AE%9A%E4%B9%89%E8%BD%AC%E7%A7%BB%E8%B5%8B%E5%80%BC%E6%93%8D%E4%BD%9C%E7%AC%A6%E3%80%82%20%E5%AF%B9%E4%BA%8E%E5%8F%B3%E5%80%BC%E7%9A%84%E6%8B%B7%E8%B4%9D%E5%92%8C%E8%B5%8B%E5%80%BC%E4%BC%9A%E8%B0%83%E7%94%A8%E8%BD%AC%E7%A7%BB%E6%9E%84%E9%80%A0%E5%87%BD%E6%95%B0%E5%92%8C%E8%BD%AC%E7%A7%BB%E8%B5%8B%E5%80%BC%E6%93%8D%E4%BD%9C%E7%AC%A6%E3%80%82

阅读目录

  • 关于左值和右值的定义
  • 转移语义以及转移构造函数和转移复制运算符
右值引用是解决语义支持提出的

https://blog.csdn.net/xiaolewennofollow/article/details/52559306
这篇文章要介绍的内容和标题一致,关于C++ 11中的这几个特性网上介绍的文章很多,看了一些之后想把几个比较关键的点总结记录一下,文章比较长。给出了很多代码示例,都是编译运行测试过的,希望能用这些帮助理解C++ 11中这些比较重要的特性。

关于左值和右值的定义

左值和右值在C中就存在,不过存在感不高,在C++尤其是C++11中这两个概念比较重要,左值就是有名字的变量(对象),可以被赋值,可以在多条语句中使用,而右值呢,就是临时变量(对象),没有名字,只能在一条语句中出现,不能被赋值。

在 C++11 之前,右值是不能被引用的,最大限度就是用常量引用绑定一个右值,如 :

const int& i = 3;

在这种情况下,右值不能被修改的。但是实际上右值是可以被修改的,如 :

T().set().get();

T 是一个类,set 是一个函数为 T 中的一个变量赋值,get 用来取出这个变量的值。在这句中,T() 生成一个临时对象,就是右值,set() 修改了变量的值,也就修改了这个右值。 既然右值可以被修改,那么就可以实现右值引用。右值引用能够方便地解决实际工程中的问题,实现非常有吸引力的解决方案。

右值引用

左值的声明符号为”&”, 为了和左值区分,右值的声明符号为”&&”。

给出一个实例程序如下

#include <iostream>

void process_value(int& i) 
{ 
  std::cout << "LValue processed: " << i << std::endl; 
} 

void process_value(int&& i) 
{ 
  std::cout << "RValue processed: " << i << std::endl; 
} 

int main() 
{ 
  int a = 0; 
  process_value(a);
  process_value(1); 
}

结果如下

wxl@dev:~$ g++ -std=c++11  test.cpp
wxl@dev:~$ ./a.out 
LValue processed: 0
RValue processed: 1
Process_value 函数被重载,分别接受左值和右值。由输出结果可以看出,临时对象是作为右值处理的。

下面涉及到一个问题: x的类型是右值引用,指向一个右值,但x本身是左值还是右值呢?C++11对此做出了区分:

Things that are declared as rvalue reference can be lvalues or rvalues. The distinguishing criterion is: if it has a name, then it is an lvalue. Otherwise, it is an rvalue.

对上面的程序稍作修改就可以印证这个说法

#include <iostream>

void process_value(int& i) 
{ 
  std::cout << "LValue processed: " << i << std::endl; 
} 

void process_value(int&& i) 
{ 
  std::cout << "RValue processed: "  << std::endl; 
} 

int main() 
{ 
  int a = 0; 
  process_value(a);
  int&& x = 3;
  process_value(x); 
}
wxl@dev:~$ g++ -std=c++11  test.cpp
wxl@dev:~$ ./a.out 
LValue processed: 0
LValue processed: 3

x 是一个右值引用,指向一个右值3,但是由于x是有名字的,所以x在这里被视为一个左值,所以在函数重载的时候选择为第一个函数。

右值引用的意义

直观意义:为临时变量续命,也就是为右值续命,因为右值在表达式结束后就消亡了,如果想继续使用右值,那就会动用昂贵的拷贝构造函数。(关于这部分,推荐一本书《深入理解C++11》) 右值引用是用来支持转移语义的。转移语义可以将资源 ( 堆,系统对象等 ) 从一个对象转移到另一个对象,这样能够减少不必要的临时对象的创建、拷贝以及销毁,能够大幅度提高 C++ 应用程序的性能。临时对象的维护 ( 创建和销毁 ) 对性能有严重影响。 转移语义是和拷贝语义相对的,可以类比文件的剪切与拷贝,当我们将文件从一个目录拷贝到另一个目录时,速度比剪切慢很多。 通过转移语义,临时对象中的资源能够转移其它的对象里。 在现有的 C++ 机制中,我们可以定义拷贝构造函数和赋值函数。要实现转移语义,需要定义转移构造函数,还可以定义转移赋值操作符。对于右值的拷贝和赋值会调用转移构造函数和转移赋值操作符。如果转移构造函数和转移拷贝操作符没有定义,那么就遵循现有的机制,拷贝构造函数和赋值操作符会被调用。 普通的函数和操作符也可以利用右值引用操作符实现转移语义。

转移语义以及转移构造函数和转移复制运算符

以一个简单的 string 类为示例,实现拷贝构造函数和拷贝赋值操作符。

 class MyString { 
 private: 
  char* _data; 
  size_t   _len; 
  void _init_data(const char *s) { 
    _data = new char[_len+1]; 
    memcpy(_data, s, _len); 
    _data[_len] = '\0'; 
  } 
 public: 
  MyString() { 
    _data = NULL; 
    _len = 0; 
  } 

  MyString(const char* p) { 
    _len = strlen (p); 
    _init_data(p); 
  } 

  MyString(const MyString& str) { 
    _len = str._len; 
    _init_data(str._data); 
    std::cout << "Copy Constructor is called! source: " << str._data << std::endl; 
  } 

  MyString& operator=(const MyString& str) { 
    if (this != &str) { 
      _len = str._len; 
      _init_data(str._data); 
    } 
    std::cout << "Copy Assignment is called! source: " << str._data << std::endl; 
    return *this; 
  } 

  virtual ~MyString() { 
    if (_data) free(_data); 
  } 
 }; 

 int main() { 
  MyString a; 
  a = MyString("Hello"); 
  std::vector<MyString> vec; 
  vec.push_back(MyString("World")); 
 }
 Copy Assignment is called! source: Hello 
 Copy Constructor is called! source: World

这个 string 类已经基本满足我们演示的需要。在 main 函数中,实现了调用拷贝构造函数的操作和拷贝赋值操作符的操作。MyString(“Hello”) 和 MyString(“World”) 都是临时对象,也就是右值。虽然它们是临时的,但程序仍然调用了拷贝构造和拷贝赋值,造成了没有意义的资源申请和释放的操作。如果能够直接使用临时对象已经申请的资源,既能节省资源,有能节省资源申请和释放的时间。这正是定义转移语义的目的。

我们先定义转移构造函数。

  MyString(MyString&& str) { 
    std::cout << "Move Constructor is called! source: " << str._data << std::endl; 
    _len = str._len; 
    _data = str._data; 
    str._len = 0; 
    str._data = NULL; 
 }

有下面几点需要对照代码注意:

  1. 参数(右值)的符号必须是右值引用符号,即“&&”。
  2. 参数(右值)不可以是常量,因为我们需要修改右值。
  3. 参数(右值)的资源链接和标记必须修改。否则,右值的析构函数就会释放资源。转移到新对象的资源也就无效了。

现在我们定义转移赋值操作符。

  MyString& operator=(MyString&& str) { 
    std::cout << "Move Assignment is called! source: " << str._data << std::endl; 
    if (this != &str) { 
      _len = str._len; 
      _data = str._data; 
      str._len = 0; 
      str._data = NULL; 
    } 
    return *this; 
 }

这里需要注意的问题和转移构造函数是一样的。 增加了转移构造函数和转移复制操作符后,我们的程序运行结果为 :

由此看出,编译器区分了左值和右值,对右值调用了转移构造函数和转移赋值操作符。节省了资源,提高了程序运行的效率。 有了右值引用和转移语义,我们在设计和实现类时,对于需要动态申请大量资源的类,应该设计转移构造函数和转移赋值函数,以提高应用程序的效率。

关于std::move()和std::forward 再次推荐一本书:《effective modern C++》 英文版的,这里有篇关于其中item25的翻译不错

请看这里 https://blog.csdn.net/coolmeme/article/details/44459999

但是这几点总结的不错

  1. std::move执行一个无条件的转化到右值。它本身并不移动任何东西;

  2. std::forward把其参数转换为右值,仅仅在那个参数被绑定到一个右值时;

  3. std::move和std::forward在运行时(runtime)都不做任何事。

/*
 * MS.cpp
 *
 *  Created on: 2020年10月28日
 *      Author: xor
 */

#include <iostream>
#include <string.h>

#include <utility>

class MS {
private:
    char* _data;
    size_t   _len;
    void _init_data(const char *s) {
        _data = new char[_len+1];
        memcpy(_data, s, _len);
        _data[_len] = '\0';
    }
public:
    MS() {
        _data = NULL;
        _len = 0;
    }

    MS(const char *str)
    {
        if(str)
        {
            _len = strlen(str)+1;
            _data = new char[strlen(str)+1];
            memcpy(_data, str, _len);
        }
        else
        {
            _data = new char[1];
            _data[0] = '\0';
        }
    }

    MS(MS &&ms)
    {
        _data = ms._data;
        _len = ms._len;

        ms._data = NULL;
        ms._len = 0;
        std::cout <<  _data << " lc " << _len << std::endl;
    }

    MS &operator=(MS &&ms);

};

MS &MS::operator =(MS &&ms)
{
    if(this != &ms)
    {
        _data = ms._data;
        _len = ms._len;

        ms._data = NULL;
        ms._len = 0;
    }
    std::cout << _data << " lop " << _len << std::endl;
    return *this;
}

int main()
{
    MS &&ms = MS("hik");
    MS ms1(std::forward<MS>(ms));

    return 0;
}