CppCoreGuidelines中关于shared_ptr与unique_ptr选择规则的探讨
在C++核心指南(CppCoreGuidelines)项目中,有一条重要的资源管理规则R.21建议开发者优先使用unique_ptr而非shared_ptr,除非确实需要共享所有权。这条规则旨在帮助开发者避免不必要的共享所有权带来的性能开销和复杂性。
规则背景与原始定义
规则R.21的原始定义明确指出,在大多数情况下unique_ptr是更好的选择,因为它提供了更简单的所有权语义和更好的性能。该规则的强制执行部分最初规定:当函数内部使用shared_ptr创建对象,但既不返回该shared_ptr,也不将其传递给需要shared_ptr&参数的函数时,应该发出警告并建议改用unique_ptr。
实际应用中的问题
在实际编码实践中,开发者发现这条规则的强制执行部分存在一些局限性。考虑以下典型场景:
void Registry::add(shared_ptr<Participant> w);
void f(Registry &r1, Registry &r2) {
const auto p = make_shared<Participant>();
r1.add(p);
r2.add(p);
}
在这个例子中,虽然shared_ptr被多次传递给不同函数,但根据原始规则仍会被标记为应该使用unique_ptr,这显然是不合理的,因为unique_ptr无法满足这种共享需求。
规则改进建议
针对这一问题,社区提出了改进建议,主张扩展规则的强制执行条件。新的条件应包括:
- 函数不返回该shared_ptr
- 不将其传递给需要shared_ptr&参数的函数
- 不将其作为shared_ptr参数(值传递或引用传递)传递给函数超过一次
这一改进更准确地反映了实际使用场景,避免了误报。
技术深入分析
值得注意的是,原始规则中提到的shared_ptr&参数有其特殊意义。当函数接受shared_ptr参数时,实际上可以传递unique_ptr作为右值(通过std::move)。这使得在某些情况下,即使接口设计为接受shared_ptr,仍然可以使用unique_ptr来传递所有权。
然而,改进后的规则仍需考虑更多复杂情况。例如,即使shared_ptr只被传递一次,但如果之后还要使用它(如解引用访问对象),unique_ptr也无法满足需求,因为传递后原指针已被移动。
核心指南的最终调整
经过讨论,C++核心指南的编辑团队决定采纳部分改进建议,特别是移除了对shared_ptr&参数的特定限制。这一调整使得规则更加通用和实用,同时保持了其指导开发者选择合适智能指针的初衷。
最佳实践总结
在实际开发中,选择智能指针时应遵循以下原则:
- 默认使用unique_ptr,它提供了最简单的所有权语义和最佳性能
- 仅在确实需要共享所有权时才使用shared_ptr
- 注意函数参数设计,考虑是否可以通过接受unique_ptr来提供更大的灵活性
- 在性能敏感的场景中,避免不必要的shared_ptr使用,因为其引用计数机制会带来额外开销
通过理解这些原则和规则背后的设计考量,开发者可以更有效地管理C++程序中的资源所有权,编写出更健壮、高效的代码。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0186
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08