C++

#ifndef HEADER_NAME_H #define HEADER_NAME_H // 头文件内容 #endif //HEADER_NAME_H

工作原理：
* 首次包含：宏未定义，定义宏并编译内容
* 再次包含：宏已定义，跳过内容，这样保证头文件只被编译一次

基本定义语法 namespace identifier{ // 声明或定义 class MyClass{}; void function() {} int variable; }

访问命名空间的方式 identifier::MyClass obj; // 方式1：作用域解析运算符:: using identifier::MyClass; // 方式2：using声明 MyClass obj; // 可以直接使用 using namespace identifier; // 方式3: using指令 MyClass obj; // 可以使用命名空间的所有名称

嵌套命名空间 namespace A { namespace B { namespace C { void function() {} } } } A::B::C::function(); // 访问嵌套命名空间

C++继承 class 派生类名 : 继承方式基类名 { // 派生类的成员定义 }; 三种继承方式： class Child : public Parent { // 类定义 }; 基类的public成员在派生类中仍是public 基类的protected成员在派生类中仍是protected 基类的private成员在派生类中不可访问 class Child : protected Parent { // 类定义 }; 基类的public和protected成员在派生类中变成protected 基类的private成员在派生类中不可访问 class Child : private Parent { // 类定义 }; 基类的public和protected成员在派生类中变成private 基类的private成员在派生类中不可访问

类型别名
| 别名 | 描述 | 示例|
| :---: | :---: | :---: |
| typedef | 为现有类型定义别名 | typedef int MyInt; |
| using | 为现有类型定义别名 | using MyInt = int; |

标准库类型
| 数据类型 | 描述 | 示例 |
| :---: | :---: | :---: |
| std::string | 字符串类型 | std::string s = "Hello"; |
| std::vector | 动态数组 | std::vector<int> v = {1, 2, 3} |
| std::array | 固定大小数组 | std::array<int, 3> a = {1, 2, 3} |
| std::pair | 存储两个值的容器 | std::pair<int, float> p(1, 2.0) |
| std::map | 键值对容器 | std::map<int, std::string> m; |
| std::set | 唯一值集合 | std::set<int> s = {1, 2, 3}; |

C++中的类型限定符
| 限定符 | 含义 |
| :---: | :---: |
| const | const定义常量，表示该变量的值不能被修改 |
| volatile | 修饰符volatile告诉该变量的值可能会被程序以外的因素改变，如硬件或其他线程 |
| restrict | 由restrict修饰的指针是唯一一种访问它所指向的对象的方式 |
| mutable | mutable用于修饰类的成员变量，被mutable修饰的成员变量可以被修改，即使它们所在的对象是const |
| static | 用于定义静态变量，表示该变量的作用域仅限于当前文件或当前函数内，不会被其他文件或函数访问 |
| register | 用于定义寄存器变量，表示该变量被频繁使用，可以存储在CPU的寄存器中，以提高程序的运行效率 |

定义函数 return_type function_name(parameter list) { body of the function } 函数声明 return_type function_name(paramter list); Lambda 函数与表达式 capture->return-type{body}

枚举类型是由用户定义的若干枚举常量的集合。如果一个变量只有几种可能的值，可以定义为枚举类型，所谓枚举是指将变量的值一一列举出来，变量的值只能在列举出来的值的范围内。 enum 枚举名{ 标识符[=整型常数], 标识符[=整型常数], … 标识符[=整型常数] } 枚举变量;

类型转换 C++中有四种类型转换:静态转换、动态转换、常量转换和重新解释转换静态转换(Static Cast): 将一种数据类型的值强制转换为另一种数据类型的值，静态转换不进行任何运行时类型检查，可能会导致运行时错误 int i = 10; float f = static_cast(i); 动态转换(Dynamic Cast): 用于在继承层次结构中进行向下转换的一种机制，通常用于将一个基类指针或引用转换为派生类指针或引用.动态转换在运行时进行类型检查，如果转换失败，对于指针类型会返回nullptr，对于引用类型则会抛出std::bad_cast异常 dynamic_cast<目标类型>(表达式) 目标类型：必须是指针或引用类型表达式：需要转换的基类指针或医用常量转换(Const Cast)：用于将const类型的对象转换为非const类型的对象，常量转换只能用于转换掉const属性，不能改变对象的类型 const int i = 10; int& r = const_cast<int&>(i); 重新解释转换(Reinterpret Cast)：重新解释转换将一个数据类型的值重新解释为另一个数据类型的值，通常用于在不同的数据类型之间进行转换.重新解释转换不进行任何类型的检查，因此可能会导致未定义的行为 int i = 10; float f = reinterpret<float&>(i); //重新解释将int类型转换为float类型

C++模板函数模板 template ret-type func-name(parameter list) { // 函数主体 } 类模板 template class class-name {

};

C++重载运算符 template 模板声明，使用了C++11引入的可变参数模板特性 typename... Args表示一个类型参数包，可以接受任意数量的类型参数 TVMRetValue operator()(Args&&... args) const; 函数运算符重载，返回类型TVMRetValue,重载函数调用符operator(),使对象可以像函数一样被调用，接受可变数量的参数Args&&... args，其中&&表示转发引用，用于完美转发参数 const关键字表示这是一个常量成员函数，不会修改类的成员变量

#include PyObject: Python与C/C++交互的基础，允许C/C++代码创建、操作和引用Python，实现两种语言之间的数据交换 PyMethodDef：结构体，结构体成员分别是方法名称(字符串)、实现函数(C函数指针)、调用约定标志(如METH_VARARGS)、方法文档字符串 PyArg_ParseTuple：解决Python与C/C++之间的数据类型转换问题 PyModuleDef: 结构体，用于Python模块的属性，包括模块名称、模块文档、模块状态大小、模块的方法表(PyMethodDef数组) PyModuleDef_HEAD_INIT: 宏，用于初始化PyModuleDef结构体的头部字段，设置正确的版本和类型信息 PyMoudle_Create: 函数，使用PyModuleDef结构体创建一个新的Python模块对象 Py_RETURN_NONE: 宏，用于从C/C++函数中返回Python的None对象

C++接口(抽象类) 接口描述了类的行为和功能，而不需要完成类的特定实现 C++接口是使用抽象类来实现的，抽象类与数据抽象互不混淆，数据抽象是一个把实现细节与相关的数据分离开的概念如果类中至少有一个函数被声明为纯虚函数，则这个类就是抽象类。纯虚函数是通过在声明中使用”=0”来指定的

C++内联函数如果一个函数是内联的，那么在编译时，编译器会把该函数的代码副本放置在每个调用该函数的地方，如果想把一个函数定义为内联函数，则需要在函数名前面放置关键字inline C++友元函数类的友元函数是定义在类外部，但有权访问类的所有私有成员和保护成员，尽管友元函数的原型有在类的定义中出现过，但是友元函数并不是成员函数；如果要声明函数为一个类的友元，需要在类定义中该函数原型前使用关键字friend

gdb调试 break [行号] 断点设置在该行开始处，该行代码未被执行 break [文件名：行号] 适用于有多个源文件的情况 break [函数名] 断点设置在该函数的开始处，断点所在行被执行 info breakpoints 查看断点的情况，包含都设置了那些断点，断点被命中的次数等信息 delete breakpoint断点编号删除断点 list 查看代码 list first,last 指定行号查看代码 list [文件名加行号或函数名] 列出指定文件的源码 next 用于在程序断住后，继续执行下一条语句 step 可以单步跟踪到函数内部 continue 会继续执行程序，直到再次遇到断点处 print [变量名] 查看变量

|file<文件名>|加载被调试的可执行程序文件|
|:---:|:---:|
|run|重新开始运行文件|
|start|单步执行，运行程序，停在第一执行语句|
|list|查看源代码，简写l|
|set|设置变量的值|
|next|单步调试(逐过程，函数直接执行),简写n|
|step|单步调试(逐语句，跳入自定义函数内部执行),简写s|
|backtrace|查看函数的调用的栈帧和层级关系，简写bt|
|frame|切换函数的栈帧，简写f|
|info|查看函数内部局部变量的数值，简写i|
|finish|结束当前函数，返回到函数调用点|
|continue|继续运行,简写c|
|print|打印值及地址，简写p|
|quit|退出gdb，简写q|

STL标准模板库

不保证元素的排序, unordered_map是一个关联容器，它存储键值对，其中每个键都是唯一的 std::unordered_map<key_type, value_type> map_name; 提供一种关联容器，用于存储键值对，按照键的顺序自动排序，每个键都是唯一的提供一种基于哈希表的容器，用于存储唯一的元素集合，不保证元素排序 std::unordered_set<Key, Hash = std::hash, Pred = std::equal_to， Alloc = std::allocator> 是一个关联容器，存储一组唯一的元素，并按照一定的顺序进行排序用于存储动态大小的数组 ``` ``` std::optional 是一个包装类，它可以表示可能存在或不存在的值 ```

FEATURED TAGS

Tensor Compiler Compiler Optimization Code Generation Heterogeneous Systems Operator Fusion Deep Neural Network Recursive Tensor Execution Deep Learning Compiler Classical Machine Learning Compiler Optimizations Bayesian Optimization Autotuning Spatial Accelerators Tensor Computations Code Reproduction Neural Processing Units Polyhedral Model Auto-tuning Machine Learning Compiler Neural Network Program Transformations Tensor Programs Deep learning Tensor Program Optimizer Search Algorithm Compiler Infrastructure Scalalbe and Modular Compiler Systems Tensor Computation GPU Task Scheduling GPU Streams Tensor Expression Language Automated Program optimization Framework AI compiler memory hierarchy data locality tiling fusion polyhedral model scheduling domain-specific architectures memory intensive TVM Sparse Tensor Algebra Sparse Iteration Spaces Optimizing Transformations Tensor Operations Machine Learning Model Scoring AI Compiler Memory-Intensive Computation Fusion Neural Networks Dataflow Domain specific Language Programmable Domain-specific Acclerators Mapping Space Search Gradient-based Search Deep Learning Systems Systems for Machine Learning Programming Models Compilation Design Space Exploration Tile Size Optimization Performance Modeling High-Performance Tensor Program Tensor Language Model Tensor Expression GPU Loop Transformations Vectorization and Parallelization Hierarchical Classifier TVM API Optimizing Compilers Halide Pytorch Optimizing Tensor Programs Gradient Descent debug Automatic Tensor Program Tuning Operators Fusion Tensor Program Cost Model Weekly Schedule Spatio-temporal Schedule tensor compilers auto-tuning tensor program optimization compute schedules Tensor Compilers Data Processing Pipeline Mobile Devices Layout Transformations Transformer Design space exploration GPU kernel optimization Compilers Group Tuning Technique Tensor Processing Unit Hardware-software Codeisgn Data Analysis Adaptive Systems Program Auto-tuning python api Code Optimization Distributed Systems High Performance Computing code generation compiler optimization tensor computation Instructions Integration Code rewriting Tensor Computing DSL CodeReproduction Deep Learning Compiler Loop Program Analysis Nested Data Parallelism Compute-Intensive Automatic Exploration Loop Fusion Data Movement C++ Machine Learning System Decision Forest Optimizfing Compiler Decision Tree Ensemble Decision Tree Inference Parallelization Optimizing Compiler decision trees random forest machine learning parallel processing multithreading Tree Structure Performance Model Code generation Compiler optimization Tensor computation accelerator neural networks optimizing compilers autotuning performance models deep neural networks compilers auto-scheduling tensor programs Tile size optimization Performance modeling Program Functionalization affine transformations loop optimization Performance Optimization Subgraph Similarity deep learning compiler Intra- and Inter-Operator Parallelisms ILP tile-size operator fusion cost model graph partition zero-shot tuning tensor program kernel orchestration machine learning compiler Loop tiling Locality Polyhedral compilation Optimizing Transformation Sparse Tensors Asymptotic Analysis Automatic Scheduling Optimization Operation Fusion data reuse deep reuse Tensorize docker graph substitution compiler Just-in-time compiler graph Tensor program construction tensor compilation graph traversal Markov analysis Deep Learning Compilation Tensor Program Auto-Tuning Decision Tree Search-based code generation Domain specific lanuages Parallel architectures Dynamic neural network mobile device spatial accelerate software mapping reinforcement learning Computation Graph Graph Scheduling and Transformation Graph-level Optimization Operator-level Optimization Partitioning Algorithms IR Design Parallel programming languages Software performance Digitial signal processing Retargetable compilers Equational logic and rewriting Tensor-level Memory Management Code Generation and Optimizations Scheduling Sparse Tensor Auto-Scheduling Tensor Coarse-Grained Reconfigurable Architecture Graph Neural Network Reinforcement Learning Auto-Tuning Domain-Specific Accelerator Deep learning compiler Long context Memory optimization code analysis

C++ 语法

CATALOG

FEATURED TAGS