CString 赋值的区别

Posted 2023-04-12

CString s("hello");//1
CString s = "hello";//2
CString s;//3
s.Format("hello");

这三种赋值的效果（结果）是不是完全一样的？如果有，解释一下，先谢谢啦

1、CString和string的转化stringstr="ksarea";
CStringcstr(str.c_str());//或者CString cstr(str.data());初始化时才行
cstr=str.c_str();或者cstr=str.data();
str=cstr.GetBuffer(0); //CString -> string
cstr.format("%s", str.c_str()); //string->CString
cstr.format("%s", str.data()); //string->CString
str = LPCSTR(cstr); //CString->string
/*c_str()和data()区别是：前者返回带\'/0\'的字符串，后者则返回不带\'/0\'的字符串*/

2、CString和int的转换inti=123;
CStringstr;
str.format("%d",i);//int->CString 其他的基本类型转化类似
i=atoi(str);//CString->int 还有(atof,atol)

3、char*和CString的转换CStringcstr="ksarea";
char* ptemp=cstr.getbuffer(0);
char* str;
strcpy(str,ptemp);//CString->char*
cstr.releasebuffer(-1);
char*str="lovesha";
CStringcstr=str;//char*->CString string类型不能直接赋值给CString至于int与float、string与char*之间的转化可以使用强制转化，或者标准库函数进行。对于CString与其他类型的转化方法很多，但其实都殊途同归，朝着一个方向即将类型首先转化为char*类型，因为char*是不同类型之间的桥梁。得到char*类型，转化为其他类型就非常容易了。 参考技术A 要说CString 真的很复杂，里头有好多东西要讲的

第一个，以一个const char p[]的头指针，作为参数新创建一个对象
结果是出现了两个 "hello"
第二个，将现在内存中的 "hello" 的引用地址 传给CString对象，
内存中只有一个 "hello"

第三个，其实我觉得等效第二个，先创建一个基本对象，然后只是改了个地址指针。。只是第三个可以在Format方法中重新组装一个字符串，通过格式符 只是我觉得，猜的本回答被提问者采纳 参考技术B 楼上的，你确定第2种方法中=是传递引用地址,而不是生成拷贝么 参考技术C 是完全一样的

因为这样就不用解释啦...
哈哈

pytorch中张量加法赋值和赋值的区别

【中文标题】pytorch中张量加法赋值和赋值的区别

【英文标题】：Difference between tensor addition assignment and assignment in pytorch

【发布时间】：2021-10-06 10:55:01

【问题描述】：

我发现 pytorch 对待张量赋值和加法赋值的方式不同。示例如下所示

x = torch.tensor(3.0)
print(id(x))
x = x + 5
print(id(x))

结果是

1647247869184
1647248066816

如果我们运行以下代码

x = torch.tensor(3.0)
print(id(x))
x += 5
print(id(x))

，结果是

1647175563712
1647175563712

从这两个例子中，我们可以看出使用加法赋值不会改变变量地址，而加法会改变地址。这对训练神经网络有影响。例如，在 pytorch 教程“什么是torch.nn 到底是什么？”中，有一段代码如下所示

from IPython.core.debugger import set_trace

lr = 0.5  # learning rate
epochs = 2  # how many epochs to train for

for epoch in range(epochs):
    for i in range((n - 1) // bs + 1):
        #         set_trace()
        start_i = i * bs
        end_i = start_i + bs
        xb = x_train[start_i:end_i]
        yb = y_train[start_i:end_i]
        pred = model(xb)
        loss = loss_func(pred, yb)

        loss.backward()
        with torch.no_grad():
            weights -= weights.grad * lr
            bias -= bias.grad * lr
            weights.grad.zero_()
            bias.grad.zero_()

我们可以看到在 torch.no_grad() 上下文中，使用了减号赋值。如果我们将减号赋值更改为如下所示的正常赋值，则代码不起作用。

        with torch.no_grad():
            weights = weights - weights.grad * lr
            bias = bias - bias.grad * lr
            weights.grad.zero_()
            bias.grad.zero_()

现在，我知道如果我们不想更改变量，应该使用 += 或 -=。但是，在python中，+=和=没有区别，两者都改变​​变量地址。示例如下：

x = 3
print(id(x))
x += 1
print(id(x))
x = x + 1
print(id(x))

140736084850528
140736084850560
140736084850592

我的问题是

为什么 pytorch 中存在 += 和 = 的区别？这是故意的吗？ 允许差异存在有什么好处？

【参考方案1】：

+= 是一个就地操作，即它修改原始变量的内容而不复制它（保留相同的内存地址）。

其他例子：

x *= 3 X[…] = … X.add_(1)

在weights = weights - weights.grad * lr 中，它不起作用，因为您正在创建一个新变量（地址不同，只是它也有名称权重）。

顺便说一句，在pytorch的optimizers中是这样实现的：

weights.add_(weights.grad, alpha=-lr)

【讨论】：

@Andy 如果解决了您的问题，您可以点击“正确符号”来接受答案:)