news 2026/4/3 6:09:30

10.C++入门:模板初阶|函数模板|类模板|模板的实例化

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
10.C++入门:模板初阶|函数模板|类模板|模板的实例化

泛型编程

void Swap(int& left, int& right) { int temp = left; left = right; right = temp; } void Swap(double& left, double& right) { double temp = left; left = right; right = temp; } void Swap(char& left, char& right) { char temp = left; left = right; right = temp; }

使用函数重载虽然可以实现,但是有一下几个不好的地方:

  1. 重载的函数仅仅是类型不同,代码复用率比较低,只要有新类型出现时,就需要用户自己增加对应的函数
  2. 代码的可维护性比较低,一个出错可能所有的重载均出错
    那能否告诉编译器一个模子,让编译器根据不同的类型利用该模子来生成代码呢?
    如果在C++中,也能够存在这样一个模具,通过给这个模具中填充不同材料(类型),来获得不同材料的铸件(即生成具体类型的代码),那将会节省许多头发。巧的是前人早已将树栽好,我们只需在此乘凉。
    泛型编程:编写与类型无关的通用代码,是代码复用的一种手段。模板是泛型编程的基础。

函数模板

函数模板概念

函数模板代表了一个函数家族,该函数模板与类型无关,在使用时被参数化,根据实参类型产生函数的特定类型版本。

函数模板格式

template<typename T1, typename T2,......,typename Tn>
返回值类型 函数名(参数列表){}

template<typename T> void Swap( T& left, T& right) { T temp = left; left = right; right = temp; }

注意:typename是用来定义模板参数关键字,也可以使用class(切记:不能使用struct代替class)

函数模板的原理

函数模板是一个蓝图,它本身并不是函数,是编译器用使用方式产生特定具体类型函数的模具。所以其实模板就是将本来应该我们做的重复的事情交给了编译器

在编译器编译阶段,对于模板函数的使用,编译器需要根据传入的实参类型来推演生成对应类型的函数以供调用。比如:当用double类型使用函数模板时,编译器通过对实参类型的推演,将T确定为double类型,然后产生一份专门处理double类型的代码,对于字符类型也是如此。

函数模板的实例化

用不同类型的参数使用函数模板时,称为函数模板的实例化。模板参数实例化分为:隐式实例化和显式实例化。

  1. 隐式实例化:让编译器根据实参推演模板参数的实际类型
template<class T> T Add(const T& left, const T& right) { return left + right; } int main() { int a1 = 10, a2 = 20; double d1 = 10.0, d2 = 20.0; Add(a1, a2); Add(d1, d2); /* 该语句不能通过编译,因为在编译期间,当编译器看到该实例化时,需要推演其实参类型 通过实参a1将T推演为int,通过实参d1将T推演为double类型,但模板参数列表中只有一个T, 编译器无法确定此处到底该将T确定为int 或者 double类型而报错 注意:在模板中,编译器一般不会进行类型转换操作,因为一旦转化出问题,编译器就需要背黑锅 Add(a1, d1); */ // 此时有两种处理方式:1. 用户自己来强制转化 2. 使用显式实例化 Add(a, (int)d); return 0; }
  1. 显式实例化:在函数名后的<>中指定模板参数的实际类型
int main(void) { int a = 10; double b = 20.0; // 显式实例化 Add<int>(a, b); return 0; }

如果类型不匹配,编译器会尝试进行隐式类型转换,如果无法转换成功编译器将会报错。

模板参数的匹配原则
  1. 一个非模板函数可以和一个同名的函数模板同时存在,而且该函数模板还可以被实例化为这个非模板函数
// 专门处理int的加法函数 int Add(int left, int right) { return left + right; } // 通用加法函数 template<class T> T Add(T left, T right) { return left + right; } void Test() { Add(1, 2); // 与非模板函数匹配,编译器不需要特化 Add<int>(1, 2);// 调用编译器特化的Add版本 }
  1. 对于非模板函数和同名函数模板,如果其他条件都相同,在调动时会优先调用非模板函数而不会从该模板产生出一个实例。如果模板可以产生一个具有更好匹配的函数, 那么将选择模板
// 专门处理int的加法函数 int Add(int left, int right) { return left + right; } // 通用加法函数 template<class T1, class T2> T1 Add(T1 left, T2 right) { return left + right; } void Test() { Add(1, 2); // 与非函数模板类型完全匹配,不需要函数模板实例化 Add(1, 2.0); // 模板函数可以生成更加匹配的版本,编译器根据实参生成更加匹配的Add函数 }
  1. 模板函数不允许自动类型转换,但普通函数可以进行自动类型转换

类模板

类模板的定义格式
template<class T1, class T2, ..., class Tn> class 类模板名 { // 类内成员定义 };
#include<iostream> using namespace std; // 类模版 template<typename T> class Stack { public: Stack(size_t capacity = 4) { _array = new T[capacity]; _capacity = capacity; _size = 0; } void Push(const T& data); private: T* _array; size_t _capacity; size_t _size; }; // 模版不建议声明和定义分离到两个文件.h 和.cpp会出现链接错误,具体原因后面会讲 template<class T> void Stack<T>::Push(const T& data) { // 扩容 array[_size] = data; ++_size; } int main() { Stack<int> st1; // int Stack<double> st2; // double return 0; }
类模板的实例化

类模板实例化与函数模板实例化不同,类模板实例化需要在类模板名字后跟<>,然后将实例化的类型放在<>中即可,类模板名字不是真正的类,而实例化的结果才是真正的类。

// Stack是类名,Stack<int>才是类型 Stack<int> st1; // int Stack<double> st2; // double

普通类:类名->类型
类模板实例化的类:类名不是类型,类名<数据类型>才是整个类的类型

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/4/2 8:48:37

Anaconda GUI工具局限性:为何专业开发者转向命令行+容器

Anaconda GUI工具局限性&#xff1a;为何专业开发者转向命令行容器 在深度学习项目日益复杂的今天&#xff0c;一个看似不起眼的环境配置问题&#xff0c;往往能让整个团队停滞数日。你是否经历过这样的场景&#xff1a;同事跑通的模型&#xff0c;在你的机器上却报出CUDA out …

作者头像 李华
网站建设 2026/4/2 1:57:33

Markdown引用文献格式:增强技术博客专业度吸引高端客户

PyTorch-CUDA-v2.7 镜像&#xff1a;构建高效深度学习环境的工程实践 在人工智能研发节奏日益加快的今天&#xff0c;一个常见的场景是&#xff1a;新加入项目的工程师花了整整两天时间&#xff0c;依然没能把本地环境跑起来——PyTorch 版本和 CUDA 不兼容、cuDNN 缺失、驱动版…

作者头像 李华
网站建设 2026/3/28 14:54:17

Docker prune清理资源:释放被PyTorch占用的磁盘空间

Docker prune 清理资源&#xff1a;释放被 PyTorch 占用的磁盘空间 在 GPU 服务器上跑完几个 PyTorch 实验后&#xff0c;突然发现 docker pull 失败、系统响应迟缓&#xff0c;甚至训练任务无法启动——这八成不是代码的问题&#xff0c;而是磁盘快满了。更糟的是&#xff0c;…

作者头像 李华
网站建设 2026/4/1 10:56:21

Anaconda环境变量冲突排查:典型PyTorch导入错误根源

Anaconda环境变量冲突排查&#xff1a;典型PyTorch导入错误根源 在深度学习项目开发中&#xff0c;一个看似简单的问题——ImportError: cannot import name torch——常常让开发者耗费数小时排查。明明已经通过 conda install pytorch 安装了框架&#xff0c;为何 Python 就是…

作者头像 李华
网站建设 2026/3/19 15:39:36

DiskInfo写入寿命监控:评估长期运行PyTorch服务的硬件耐久性

DiskInfo写入寿命监控&#xff1a;评估长期运行PyTorch服务的硬件耐久性 在现代AI系统中&#xff0c;我们常常把注意力集中在模型精度、推理延迟和GPU利用率上。但一个被忽视的“隐形杀手”正在悄然侵蚀系统的稳定性——那就是固态硬盘&#xff08;SSD&#xff09;的写入寿命。…

作者头像 李华
网站建设 2026/3/27 1:56:02

Conda创建离线环境:应对无网络条件下的PyTorch部署

Conda 创建离线环境&#xff1a;实现无网络条件下的 PyTorch 部署 在军工系统、内网服务器或边缘设备上部署深度学习模型时&#xff0c;一个常见的困境浮出水面&#xff1a;目标机器完全断网&#xff0c;无法通过 pip 或 conda 在线安装依赖。此时&#xff0c;即便你已经训练好…

作者头像 李华