glm::vec3 V> // 错误！ 模板参数：多个模板参数 • int N 和 class T 可以一起使用。 • 你只需要指定其中一部分参数即可，会自 动根据参数类型（ T msg ）、默认值（ int N = 1 ），推断尖括号里没有指定的那些参 数。 模板参数：参数部分特化 1. func(T t) 完全让参数类型取决于调用者 。 2. func(vector t) if constexpr 的表达式不能用运行时变量，模板尖括号内的参数也不能： • 可以在 bool debug 变量的定义前面加上 constexpr 来解决： • 但这样 debug = 右边的值也必须为编译期常量，否则出错： 模板的难题：编译期常函数 • 编译期 constexpr 的表达式，一般是无法调用其他函数的。 • 解决：如果能保证 isnegative 里都可以在编译期求值，将他前面也标上 引入了 auto ，使用 auto 定义的变量，其类型会自动根据等号右边的值来确定 ： 自动类型推导：一些局限性 • 不过 auto 也并非万能，他也有很多限制。 • 因为需要等号右边的类型信息，所以没有 = 单独声明一个 auto 变量是不行的： • 而且，类成员也不可以定义为 auto ： 自动类型推导：函数返回值 • 除了可以用于定义变量，还可以用作函数的返回类型： • 使用 auto

初始化列表 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 结构化绑定 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.3 类型推导 3.3 右值引用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 左值、右值的纯右值、将亡值、右值 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 右值引用和左值引用 . . 如 Python/Swift/. . . ）中已经司空见惯，右值引用的出现解决了 C++ 长期以来被人诟病的临时对象效率问题等等。 C++17 则是近三年依赖 C++ 社区一致推进的方向，也指出了 现代 C++ 编程的一个重要发展方 向。尽管它的出现并不如 C++11 的分量之重，但它包含了大量小而美的语言与特性（例如结构化绑定）， 这些特性的出现再一次修正了我们在 C++ 中的编程范式。

会把重复的元素 去除，只保留一个，即去重。 • 区别 3 ： vector 中的元素在内 存中是连续的，可以高效地按 索引随机访问， set 则不行。 • 区别 4 ： set 中的元素可以高 效地按值查找，而 vector 则 低效。 set 的排序： string 会按“字典序”来排 • set 会从小到大排序，对 int 来 说就是数值的大小比较。那么对 字符串类型 string 要怎么排序 会返回自增后迭代器 。 • 还有 std::advance 会就地自增作为引 用传入的迭代器，他同样会判断是否支 持 += 来决定要采用哪一种实现。 • 区别： advance 就地修改迭代器，没 有返回值； next 修改迭代器后返回， 不会改变原迭代器。 • advance 相当于 += ， next 相当于 + 。 next 和 advance 同样支持负数 • next 的第二个参数 n val); insert 的第二个返回值：表示插入是否成功 • insert 函数的返回值是一个 pair 类型，也就是说他同时 返回了两个值。其中第二个 返回值是 bool 类型，指示 了插入是否成功。 • 若元素在 set 容器中已存有 相同的元素，则插入失败， 这个 bool 值为 false ；如 果元素在 set 中不存在，则 插入成功，这个 bool 值为 true 。 • pair

0 码力 | 83 页 | 10.23 MB | 1 年前

3

Encapsulation 继承 Inheritance 动态绑定 Dynamic Binding，亦即后期绑定（late binding） 虚拟函数 virtual function 多态 这个动作安排在「只有第一个执行个体才会 ■ 进入」的InitApplication 函数中。至于此一进程是否是某个程序的第一个执行 实例，可由WinMain 的参数hPrevInstance 判断之；其值由系统传入。 ■ 产生窗口， 是每一个执行实例（ instance ） 都得做的动作， 所以我们把 CreateWindow 这个动作安排在「任何执行实例都会进入」的InitInstance 10240 EXPORTS MainWndProc @1 AboutBox @2 在Visual C++ 整合环境中开发程序，不再需要特别准备.DEF 文件，因为模块定义文件中的 设定都有默认值。模块定义文件中的STUB 指令用来指定所谓的stub 程序（埋在Windows 程序中的一个DOS 程序，你所看到的This Program Requires Microsoft Windows 或This

[] 才对， [] 在写入时又和多数语言的 [] 行为一致了。 • 这时 [] 自动默默创建的特性反而是个优点了，如果用了 at() 反而会在插入新键值时莫名 其妙报错。此外 [] 默默创建以后把值初始化为 0 的特性，由于调用者是 = val 赋值，所 以初始化也没用了，反正马上会写入 val 。 浅谈这种精分设计的原因 • 总结，要符合你熟悉的 Python 的 [] 行为，在 C++ 中要根据不同情况选择不同的方法访 是不知道的 • [] 被调用的时候根本不知道他外面是想写入还是读取。找不到键值时，为了能兼容写入的情况， [] 只好 创建一个零值。而有的同学误以为 [] 的读取在找不到键值时自然会报错提醒他，没想到 [] 返回了个零 值坑了他。所以他们又另起炉灶，发明了越界时不会自动创建零值，而是能抛出异常的 at 函数。 C++ 和 Python 用法对比 C++ 和 Python 用法对比（运算符重载展开成普通函数后） 来表示，非常明确。主要是为了把 get 和 put 作为接口函数，可以对应多个具体 实现。 错误示范 • 小彭老师说过，读取必须用 at 。 • 而这位同学却用了 [] 来读取 items 里的值。 • 乍看之下好像没错，运行结果也是正确的，但 这只是碰巧你的 items 里存在 “ hello” 而已， 如果哪天 “ hello” 不存在了他也不会报错而是 默默创建然后返回 0 ，后患无穷！

Makefile 的构建规则写一份， MSBuild 也写一份 。 • 现在只需要写一次 CMakeLists.txt ，他会视不同的操作系统，生成不同构建系统的规则文件。 • 那个和操作系统绑定的构建系统（ make 、 MSBuild ）称为本地构建系统（ native buildsystem ）。 • 负责从 CMakeLists.txt 生成本地构建系统构建规则文件的，称为生成器（ 。 第 2 章：项目配置变量 CMAKE_BUILD_TYPE 构建的类型，调试模式还是发布模式 • CMAKE_BUILD_TYPE 是 CMake 中一个特殊的变量，用于控制构建类型，他的值可以 是： • Debug 调试模式，完全不优化，生成调试信息，方便调试程序 • Release 发布模式，优化程度最高，性能最佳，但是编译比 Debug 慢 • MinSizeRel 最小体积发布，生成的文件比 RelWithDebInfo: `-O2 -g -DNDEBUG` • 此外，注意定义了 NDEBUG 宏会使 assert 被去除掉。 小技巧：设定一个变量的默认值 如何让 CMAKE_BUILD_TYPE 在用户没有指定的时候为 Release ，指 定的时候保持用户指定的值不变呢。 就是说 CMake 默认情况下 CMAKE_BUILD_TYPE 是一个空字符串。 因此这里通过 if (NOT CMAKE_BUILD_TYPE)

ace complexity）。 ‧“随着输入数据大小的增加”意味着复杂度反映了算法运行效率与输入数据体量之间的关系。 ‧“时间和空间的增长趋势”表示复杂度分析关注的不是运行时间或占用空间的具体值，而是时间或空间 增长的“快慢”。 复杂度分析克服了实际测试方法的弊端，体现在以下两个方面。 ‧ 它独立于测试环境，分析结果适用于所有运行平台。 第 2 章 复杂度分析 hello‑algo.com 根据以上方法，可以得到算法的运行时间为 (6? + 12) ns ： 1 + 1 + 10 + (1 + 5) × ? = 6? + 12 但实际上，统计算法的运行时间既不合理也不现实。首先，我们不希望将预估时间和运行平台绑定，因为算 法需要在各种不同的平台上运行。其次，我们很难获知每种操作的运行时间，这给预估过程带来了极大的难 度。 2.3.1 统计时间增长趋势 时间复杂度分析统计的不是算法运行时间，而是算法运行时间随着数据量变大时的增长趋势。 第二步：判断渐近上界 时间复杂度由 ?(?) 中最高阶的项来决定。这是因为在 ? 趋于无穷大时，最高阶的项将发挥主导作用，其他 项的影响都可以忽略。 表 2‑2 展示了一些例子，其中一些夸张的值是为了强调“系数无法撼动阶数”这一结论。当 ? 趋于无穷大时， 这些常数变得无足轻重。 表 2‑2 不同操作数量对应的时间复杂度 操作数量 ?(?) 时间复杂度 ?(?(?)) 100000

space complexity」。 ‧“随着输入数据大小的增加”意味着复杂度反映了算法运行效率与输入数据体量之间的关系。 ‧“时间和空间的增长趋势”表示复杂度分析关注的不是运行时间或占用空间的具体值，而是时间或空间 增长的“快慢”。 复杂度分析克服了实际测试方法的弊端，体现在以下两个方面。 ‧ 它独立于测试环境，分析结果适用于所有运行平台。 第 2 章 复杂度分析 hello‑algo.com 根据以上方法，可以得到算法的运行时间为 (6? + 12) ns ： 1 + 1 + 10 + (1 + 5) × ? = 6? + 12 但实际上，统计算法的运行时间既不合理也不现实。首先，我们不希望将预估时间和运行平台绑定，因为算 法需要在各种不同的平台上运行。其次，我们很难获知每种操作的运行时间，这给预估过程带来了极大的难 度。 第 2 章 复杂度分析 hello‑algo.com 29 2.3.1 统计时间增长趋势 第二步：判断渐近上界 时间复杂度由 ?(?) 中最高阶的项来决定。这是因为在 ? 趋于无穷大时，最高阶的项将发挥主导作用，其他 项的影响都可以忽略。 表 2‑2 展示了一些例子，其中一些夸张的值是为了强调“系数无法撼动阶数”这一结论。当 ? 趋于无穷大时， 这些常数变得无足轻重。 表 2‑2 不同操作数量对应的时间复杂度 操作数量 ?(?) 时间复杂度 ?(?(?)) 100000

space complexity」。 ‧“随着输入数据大小的增加”意味着复杂度反映了算法运行效率与输入数据体量之间的关系。 ‧“时间和空间的增长趋势”表示复杂度分析关注的不是运行时间或占用空间的具体值，而是时间或空间 增长的“快慢”。 复杂度分析克服了实际测试方法的弊端，体现在以下两个方面。 ‧ 它独立于测试环境，分析结果适用于所有运行平台。 第 2 章 复杂度分析 hello‑algo.com 根据以上方法，可以得到算法运行时间为 6? + 12 ns ： 1 + 1 + 10 + (1 + 5) × ? = 6? + 12 但实际上，统计算法的运行时间既不合理也不现实。首先，我们不希望将预估时间和运行平台绑定，因为算 法需要在各种不同的平台上运行。其次，我们很难获知每种操作的运行时间，这给预估过程带来了极大的难 度。 2.3.1 统计时间增长趋势 时间复杂度分析统计的不是算法运行时间，而是算法运行时间随着数据量变大时的增长趋势。 中最高阶的项来决定。这是因为在 ? 趋于无穷大时，最高阶的项将发挥主导作用， 其他项的影响都可以被忽略。 第 2 章 复杂度分析 hello‑algo.com 30 表 2‑1 展示了一些例子，其中一些夸张的值是为了强调“系数无法撼动阶数”这一结论。当 ? 趋于无穷大时， 这些常数变得无足轻重。 表 2‑1 不同操作数量对应的时间复杂度 操作数量 ?(?) 时间复杂度 ?(?(?)) 100000

ace complexity）。 ‧“随着输入数据大小的增加”意味着复杂度反映了算法运行效率与输入数据体量之间的关系。 ‧“时间和空间的增长趋势”表示复杂度分析关注的不是运行时间或占用空间的具体值，而是时间或空间 增长的“快慢”。 复杂度分析克服了实际测试方法的弊端，体现在以下几个方面。 第 2 章 复杂度分析 www.hello‑algo.com 19 ‧ 它无需实际运行代码，更加绿色节能。 根据以上方法，可以得到算法的运行时间为 (6? + 12) ns ： 1 + 1 + 10 + (1 + 5) × ? = 6? + 12 但实际上，统计算法的运行时间既不合理也不现实。首先，我们不希望将预估时间和运行平台绑定，因为算 法需要在各种不同的平台上运行。其次，我们很难获知每种操作的运行时间，这给预估过程带来了极大的难 度。 2.3.1 统计时间增长趋势 时间复杂度分析统计的不是算法运行时间，而是算法运行时间随着数据量变大时的增长趋势。 第二步：判断渐近上界 时间复杂度由 ?(?) 中最高阶的项来决定。这是因为在 ? 趋于无穷大时，最高阶的项将发挥主导作用，其他 项的影响都可以忽略。 表 2‑2 展示了一些例子，其中一些夸张的值是为了强调“系数无法撼动阶数”这一结论。当 ? 趋于无穷大时， 这些常数变得无足轻重。 表 2‑2 不同操作数量对应的时间复杂度 操作数量 ?(?) 时间复杂度 ?(?(?)) 100000