c++；从模板返回 对于C++中的模板泛型编程，我有点陌生，它有一个关于如何从模板函数返回对象的问题。这是mlpack库神经网络模块的一部分。这来自可找到的前馈网络测试.cpp。如果我理解正确，模板函数BuildVanilla网络的设置方式，可以传递不同类型的网络参数来构建神经网络。我想让这个函数返回它构建的FFN对象，这样我就可以从调用它的地方访问它。我对那边的代码做了一些小改动： template <typename PerformanceFunction, typename OutputLayerType, typename PerformanceFunctionType, typename MatType = arma::mat > mlpack::ann::FFN<> BuildVanillaNetwork(MatType& trainData, MatType& trainLabels, MatType& testData, MatType& testLabels, const size_t hiddenLayerSize, const size_t maxEpochs, const double classificationErrorThreshold) { // input layer mlpack::ann::LinearLayer<> inputLayer(trainData.n_rows, hiddenLayerSize); mlpack::ann::BiasLayer<> inputBiasLayer(hiddenLayerSize); mlpack::ann::BaseLayer<PerformanceFunction> inputBaseLayer; // hidden layer mlpack::ann::LinearLayer<> hiddenLayer1(hiddenLayerSize, trainLabels.n_rows); mlpack::ann::BiasLayer<> hiddenBiasLayer1(trainLabels.n_rows); mlpack::ann::BaseLayer<PerformanceFunction> outputLayer; // output layer OutputLayerType classOutputLayer; auto modules = std::tie(inputLayer, inputBiasLayer, inputBaseLayer, hiddenLayer1, hiddenBiasLayer1, outputLayer); mlpack::ann::FFN<decltype(modules), decltype(classOutputLayer), mlpack::ann::RandomInitialization, PerformanceFunctionType> net(modules, classOutputLayer); net.Train(trainData, trainLabels); MatType prediction; net.Predict(testData, prediction); double classificationError; for (size_t i = 0; i < testData.n_cols; i++) { if (arma::sum(arma::sum(arma::abs(prediction.col(i) - testLabels.col(i)))) != 0) { classificationError++; } } classificationError = double(classificationError) / testData.n_cols; std::cout << "Classification Error = " << classificationError * 100 << "%" << std::endl; return net; } 模板 mlpack:：ann:：FFN BuildVanilla网络（MatType和trainData， MatType和trainLabels， MatType和testData， MatType和testLabels， const size_t hiddenLayerSize， 常量大小\u t最大纪元， 常数双重分类错误（保留） { //输入层 mlpack:：ann:：LinearLayer inputLayer（trainData.n_行，hiddenLayerSize）； mlpack:：ann:：BiasLayer输入BiasLayer（hiddenLayerSize）； mlpack:：ann:：BaseLayer输入BaseLayer； //隐藏层 mlpack:：ann:：LinearLayer hiddenLayer1（hiddenLayerSize，trainLabels.n_行）； mlpack:：ann:：BiasLayer HIDDENBIASLAYER 1（列车标签n_行）； mlpack:：ann:：基本层输出层； //输出层 OutputLayer类型classOutputLayer； 自动模块=std:：tie（inputLayer、inputBiasLayer、inputBaseLayer、hiddenLayer1、hiddenBiasLayer1、outputLayer）； mlpack:：ann:：FFN net（模块、类输出层）； 净列车（列车数据、列车标签）； 类型预测； net.Predict（测试数据、预测）； 双重分类错误； 对于（大小i=0；i typename助手：：FFNType BuildVanillaNetwork（…）； 我不确定这是否是问题所在。因为即使我只调用BuildVanillaNetwork而不将其返回存储在任何位置，我在编译过程中也会遇到相同的错误。此外，我不确定如何计算实际类型，因为FFN的第一个模板参数是decltype（模块）据我所知，它决定了运行时的类型。好的，很抱歉，第一个错误抱怨缺少模板参数。对答案进行了更改。因此此错误是因为decltype（net）！=mlpack:：ann:：FFN。不管你是否存储结果，你仍然在告诉编译器函数返回后者，而实际上它返回前者。模板参数需要匹配才能使类型相同。@flatmouse:如果我尝试，我会得到一个错误，说明没有ar的模板名称的使用无效GuestListand类型也是在编译时确定的，C++标准为11？14？@乔尔：C++ 11 ASAIK。因为我在我的手机上设置了CMACHYCXXFLAG到STD= C++ +11，所以我不能真正地写出一个解决方案，但是你必须要指定正确的返回类型。口粮。另外，如果你愿意切换到C++14，你可以避免所有这些废话，用auto@lonut:我明白了。如果我显式地编写它们，那么我必须用不同的参数为FFN编写多个函数，对吗？另外，第一个模板参数是decltype（modules）这是一堆东西的std：：tie（arg的数量会有所不同）。因此，我不确定自己如何推断类型以显式写出它们。FFN的模板参数可能取决于函数的模板参数，对吗？在这种情况下，您不必编写多个函数，也不能编写仅在返回类型上不同的多个函数。std:：tie的参数可以不同，但是一个模板类，因此模板参数将在编译时完全解析。@lonut:从FFN代码来看，这似乎是FFN的定义：FFN@lonut：如果我编译它，我会得到一个错误，说LayerTypes等没有在作用域中声明。因此，我仍然不知道如何根据返回的对象定义我的函数对象类型为de [100%] Building CXX object CMakeFiles/ff_nn.dir/src/ff_nn.cpp.o In file included from /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:16:0: /usr/local/include/mlpack/methods/ann/ffn.hpp: In instantiation of ‘class mlpack::ann::FFN<mlpack::ann::LogisticFunction, mlpack::ann::BinaryClassificationLayer, mlpack::ann::MeanSquaredErrorFunction, arma::Mat<double> >’: /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:83:112: required from here /usr/local/include/mlpack/methods/ann/ffn.hpp:361:55: error: incomplete type ‘std::tuple_size<mlpack::ann::LogisticFunction>’ used in nested name specifier size_t Max = std::tuple_size<LayerTypes>::value - 1, ^ /usr/local/include/mlpack/methods/ann/ffn.hpp:369:55: error: incomplete type ‘std::tuple_size<mlpack::ann::LogisticFunction>’ used in nested name specifier size_t Max = std::tuple_size<LayerTypes>::value - 1, ^ /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp: In instantiation of ‘mlpack::ann::FFN<PerformanceFunction, OutputLayerType, PerformanceFunctionType, MatType> BuildVanillaNetwork(MatType&, MatType&, MatType&, MatType&, size_t, size_t, double) [with PerformanceFunction = mlpack::ann::LogisticFunction; OutputLayerType = mlpack::ann::BinaryClassificationLayer; PerformanceFunctionType = mlpack::ann::MeanSquaredErrorFunction; MatType = arma::Mat<double>; size_t = long unsigned int]’: /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:83:112: required from here /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:64:12: error: could not convert ‘net’ from ‘mlpack::ann::FFN<std::tuple<mlpack::ann::LinearLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BiasLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BaseLayer<mlpack::ann::LogisticFunction, arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::LinearLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BiasLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BaseLayer<mlpack::ann::LogisticFunction, arma::Mat<double>, arma::Mat<double> >&>, mlpack::ann::BinaryClassificationLayer, mlpack::ann::RandomInitialization, mlpack::ann::MeanSquaredErrorFunction>’ to ‘mlpack::ann::FFN<mlpack::ann::LogisticFunction, mlpack::ann::BinaryClassificationLayer, mlpack::ann::MeanSquaredErrorFunction, arma::Mat<double> >’ return net; ^ make[2]: *** [CMakeFiles/ff_nn.dir/src/ff_nn.cpp.o] Error 1 make[1]: *** [CMakeFiles/ff_nn.dir/all] Error 2 make: *** [all] Error 2 mlpack::ann::FFN< PerformanceFunction, OutputLayerType, PerformanceFunctionType, MatType > BuildVanillaNetwork(MatType& trainData,... auto BuildVanillaNetwork(MatType& trainData,`...) -> decltype(auto) {... mlpack::ann::FFN<> BuildVanillaNetwork(...) template<typename PerformanceFunction, typename OutputLayerType, typename PerformanceFunctionType, typename MatType> struct BuildVanillaNetworkHelper { using LinearLayer = mlpack::ann::LinearLayer<>; using BiasLayer = mlpack::ann::BiasLayer<>; using BaseLayer = mlpack::ann::BaseLayer<PerformanceFunction>; using ModulesType = std::tuple<LinearLayer, BiasLayer, BaseLayer, LinearLayer, BiasLayer, BaseLayer>; using FFNType = mlpack::ann::FFN<ModulesType, OutputLayerType, mlpack::ann::RandomInitialization, PerformanceFunctionType>; }; template <typename PerformanceFunction, typename OutputLayerType, typename PerformanceFunctionType, typename MatType = arma::mat, typename Helper = BuildVanillaNetworkHelper< PerformanceFunction, OutputLayerType, PerformanceFunctionType, MatType> > typename Helper::FFNType BuildVanillaNetwork(...);

mlpack:：ann:：FFN BuildVanillaNetwork（MatType&trainData，

将其更改为包含模板参数的内容，例如：

mlpack::ann::FFN<
    PerformanceFunction,
    OutputLayerType,
    PerformanceFunctionType,
    MatType
> BuildVanillaNetwork(MatType& trainData,...

---

问题在于您将

BuildVanillaNetwork

函数定义为：

mlpack::ann::FFN<> BuildVanillaNetwork(...)

mlpack:：ann:：FFN buildvanillarnetwork（…）

当涉及模板时，错误消息通常很难被人工读取，但通读这些行会得到如下结果：

错误：为“模板类mlpack:：ann:：FFN”提供的模板参数数量错误（0，应为4）

其余的错误都是由这个错误引起的（基本上，因为它不理解该函数的返回类型，编译器假定它是

int

，然后它抱怨它不能将

net

转换为

int

）

---

因此，您必须实际指定返回类型的模板参数。您在函数体中使用

decltype

来推断它们（这发生在编译时，而不是运行时），但在原型中并不那么容易。有一种方法可以使用

decltype

来声明函数的返回类型，但在这种情况下对您没有多大帮助。因此，您不妨继续明确地编写它们。

您可以使用以下模式稍微简化返回类型推断：

template<typename PerformanceFunction, typename OutputLayerType,
    typename PerformanceFunctionType, typename MatType>
struct BuildVanillaNetworkHelper
{
    using LinearLayer = mlpack::ann::LinearLayer<>;
    using BiasLayer = mlpack::ann::BiasLayer<>;
    using BaseLayer = mlpack::ann::BaseLayer<PerformanceFunction>;
    using ModulesType = std::tuple<LinearLayer, BiasLayer, BaseLayer,
        LinearLayer, BiasLayer, BaseLayer>;
    using FFNType = mlpack::ann::FFN<ModulesType, OutputLayerType,
        mlpack::ann::RandomInitialization, PerformanceFunctionType>;
};

template <typename PerformanceFunction,
         typename OutputLayerType,
         typename PerformanceFunctionType,
         typename MatType = arma::mat,
         typename Helper = BuildVanillaNetworkHelper<
             PerformanceFunction, OutputLayerType,
             PerformanceFunctionType, MatType>
         >
typename Helper::FFNType BuildVanillaNetwork(...);

模板
结构BuildVanillaNetworkHelper
{
使用LinearLayer=mlpack:：ann:：LinearLayer；
使用BiasLayer=mlpack:：ann:：BiasLayer；
使用BaseLayer=mlpack:：ann:：BaseLayer；
使用moduleType=std:：tuple；
使用FFNType=mlpack:：ann:：FFN；
};
模板
>
typename助手：：FFNType BuildVanillaNetwork（…）；

我不确定这是否是问题所在。因为即使我只调用BuildVanillaNetwork而不将其返回存储在任何位置，我在编译过程中也会遇到相同的错误。此外，我不确定如何计算实际类型，因为FFN的第一个模板参数是decltype（模块）据我所知，它决定了运行时的类型。好的，很抱歉，第一个错误抱怨缺少模板参数。对答案进行了更改。因此此错误是因为

decltype（net）！=mlpack:：ann:：FFN

。不管你是否存储结果，你仍然在告诉编译器函数返回后者，而实际上它返回前者。模板参数需要匹配才能使类型相同。@flatmouse:如果我尝试，我会得到一个错误，说明没有ar的模板名称的使用无效GuestListand类型也是在编译时确定的，C++标准为11？14？@乔尔：C++ 11 ASAIK。因为我在我的手机上设置了CMACHYCXXFLAG到STD= C++ +11，所以我不能真正地写出一个解决方案，但是你必须要指定正确的返回类型。口粮。另外，如果你愿意切换到C++14，你可以避免所有这些废话，用

auto

@lonut:我明白了。如果我显式地编写它们，那么我必须用不同的参数为FFN编写多个函数，对吗？另外，第一个模板参数是decltype（modules）这是一堆东西的std：：tie（arg的数量会有所不同）。因此，我不确定自己如何推断类型以显式写出它们。FFN的模板参数可能取决于函数的模板参数，对吗？在这种情况下，您不必编写多个函数，也不能编写仅在返回类型上不同的多个函数。std:：tie的参数可以不同，但是一个模板类，因此模板参数将在编译时完全解析。@lonut:从FFN代码来看，这似乎是FFN的定义：FFN@lonut：如果我编译它，我会得到一个错误，说LayerTypes等没有在作用域中声明。因此，我仍然不知道如何根据返回的对象定义我的函数对象类型为de

[100%] Building CXX object CMakeFiles/ff_nn.dir/src/ff_nn.cpp.o
In file included from /home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:16:0:
/usr/local/include/mlpack/methods/ann/ffn.hpp: In instantiation of ‘class mlpack::ann::FFN<mlpack::ann::LogisticFunction, mlpack::ann::BinaryClassificationLayer, mlpack::ann::MeanSquaredErrorFunction, arma::Mat<double> >’:
/home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:83:112:   required from here
/usr/local/include/mlpack/methods/ann/ffn.hpp:361:55: error: incomplete type ‘std::tuple_size<mlpack::ann::LogisticFunction>’ used in nested name specifier
       size_t Max = std::tuple_size<LayerTypes>::value - 1,
                                                       ^
/usr/local/include/mlpack/methods/ann/ffn.hpp:369:55: error: incomplete type ‘std::tuple_size<mlpack::ann::LogisticFunction>’ used in nested name specifier
       size_t Max = std::tuple_size<LayerTypes>::value - 1,
                                                       ^
/home/username/project-yanack/mlpack_nn/src/ff_nn.cpp: In instantiation of ‘mlpack::ann::FFN<PerformanceFunction, OutputLayerType, PerformanceFunctionType, MatType> BuildVanillaNetwork(MatType&, MatType&, MatType&, MatType&, size_t, size_t, double) [with PerformanceFunction = mlpack::ann::LogisticFunction; OutputLayerType = mlpack::ann::BinaryClassificationLayer; PerformanceFunctionType = mlpack::ann::MeanSquaredErrorFunction; MatType = arma::Mat<double>; size_t = long unsigned int]’:
/home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:83:112:   required from here
/home/username/project-yanack/mlpack_nn/src/ff_nn.cpp:64:12: error: could not convert ‘net’ from ‘mlpack::ann::FFN<std::tuple<mlpack::ann::LinearLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BiasLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BaseLayer<mlpack::ann::LogisticFunction, arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::LinearLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BiasLayer<arma::Mat<double>, arma::Mat<double> >&, mlpack::ann::BaseLayer<mlpack::ann::LogisticFunction, arma::Mat<double>, arma::Mat<double> >&>, mlpack::ann::BinaryClassificationLayer, mlpack::ann::RandomInitialization, mlpack::ann::MeanSquaredErrorFunction>’ to ‘mlpack::ann::FFN<mlpack::ann::LogisticFunction, mlpack::ann::BinaryClassificationLayer, mlpack::ann::MeanSquaredErrorFunction, arma::Mat<double> >’
     return net;
            ^
make[2]: *** [CMakeFiles/ff_nn.dir/src/ff_nn.cpp.o] Error 1
make[1]: *** [CMakeFiles/ff_nn.dir/all] Error 2
make: *** [all] Error 2

mlpack::ann::FFN<
    PerformanceFunction,
    OutputLayerType,
    PerformanceFunctionType,
    MatType
> BuildVanillaNetwork(MatType& trainData,...

auto BuildVanillaNetwork(MatType& trainData,`...) -> decltype(auto) {...

mlpack::ann::FFN<> BuildVanillaNetwork(...)

template<typename PerformanceFunction, typename OutputLayerType,
    typename PerformanceFunctionType, typename MatType>
struct BuildVanillaNetworkHelper
{
    using LinearLayer = mlpack::ann::LinearLayer<>;
    using BiasLayer = mlpack::ann::BiasLayer<>;
    using BaseLayer = mlpack::ann::BaseLayer<PerformanceFunction>;
    using ModulesType = std::tuple<LinearLayer, BiasLayer, BaseLayer,
        LinearLayer, BiasLayer, BaseLayer>;
    using FFNType = mlpack::ann::FFN<ModulesType, OutputLayerType,
        mlpack::ann::RandomInitialization, PerformanceFunctionType>;
};

template <typename PerformanceFunction,
         typename OutputLayerType,
         typename PerformanceFunctionType,
         typename MatType = arma::mat,
         typename Helper = BuildVanillaNetworkHelper<
             PerformanceFunction, OutputLayerType,
             PerformanceFunctionType, MatType>
         >
typename Helper::FFNType BuildVanillaNetwork(...);