新闻详情

新闻详情

首页 / 资讯中心 / 详情

C++ 范围 for 的复制陷阱:auto、auto、const auto 怎么选

发布时间:2026/11/13 4:53:07来源:尧图网络
C++ 范围 for 的复制陷阱:auto、auto、const auto 怎么选
C 范围 for 的复制陷阱auto、auto、const auto 怎么选范围 for 很好读但下面三个写法含义不同auto 会得到一个元素副本auto 引用原元素const auto 只读引用。对小整数这点差别可能不明显对大对象或不可复制对象它既影响性能也可能决定代码能否编译。1. 只读访问先考虑 const auto#includestring#includevectorintmain(){std::vectorstd::stringnames{Alice,Bob};for(constautoname:names){// 只读使用 name不逐个复制字符串}}若写 for (auto name : names)每轮都会构造一个新的 std::string。对 std::unique_ptr 等不可复制类型auto 甚至会报错。只有明确需要独立副本或元素是 int 这样的轻量值时才优先按值拿。2. 修改原元素使用 auto#includevectorintmain(){std::vectorintvalues{1,2,3};for(autovalue:values){value*2;}// values 现在是 {2, 4, 6}}如果误写成 auto value循环体改的是副本原容器不会变化。对关联容器元素有自己的常量约束遍历 map 时即使用 auto键通常仍不可改映射值则可以修改。3. 特殊情况代理对象与 autostd::vector 为节省空间其元素访问可能返回代理对象而不是真正的 bool。对这类容器auto 更通用#includevectorintmain(){std::vectorboolflags{false,true};for(autoflag:flags){flagtrue;}}这里的 auto 会按当前元素表达式完成推导既能处理普通引用也能处理代理对象。它不是“总会移动元素”的意思。4. 遍历时不要随意增删 vector范围 for 底层依赖迭代器。遍历中对 vector 做 push_back、erase 等操作可能使迭代器失效随后继续循环就会出现未定义行为。需要删除时优先用 std::erase_ifC20或 erase-remove需要边遍历边改结构时改用显式迭代器并按操作返回值更新它。写法适合的意图auto x需要一份独立的值const auto x只读、避免复制auto x修改原元素auto x泛型代码或代理元素写范围 for 前先问自己“我要读、改还是复制”把这一点想清楚很多隐蔽问题就没了。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉