百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

「c++」new与malloc的特点及运行原理的区别

ztj100 2025-03-14 22:38 99 浏览 0 评论

malloc/free和new/delete的区别汇总

  • new/delete 是C++的操作符,需要编译器支持。它调用的分别为operator new()和operator delete()。
  • malloc/free 是C的标准库函数,需要头文件支持。有2个头文件都可以使用,C头文件, .调用时 malloc(x);C++头文件, 注意没有后缀名.调用时要写 std::malloc(x) 注意std前缀。
  • new/delete 受编译器控制管辖,和语言融为一体,其间无法加入其它功能,若需要加入,则必须将其重载。
  • malloc/free不受编译器控制,只是调用函数,可以在函数中加入想要的动作。
  • 使用 new 操作符申请内存分配时无须指定内存块的大小,编译器会根据类型信息自行计算。
  • 而 malloc 则需要显式地指出所需内存的尺寸,就是需要程序员手动计算。
  • new 操作符内存分配成功时,返回的是对象类型的指针,类型严格与对象匹配,无须进行类型转换,故 new 是符合类型安全性的操作符。
  • 而 malloc 内存分配成功则是返回 void * ,需要通过强制类型转换将 void*指针转换成我们需要的类型。
  • new 内存分配失败时,会抛出 bad_alloc 异常。用户可以指定处理函数或重新制定分配器,malloc/free用户是不可以处理的。
  • malloc 分配内存失败时返回 NULL,所以开辟内存时返回内存地址要检查判空。不过,malloc分配内存后,若在使用过程中内存分配不够或太多,这时可以使用realloc函数对其进行扩充或缩小,但是new分配好的内存不能这样被直观简单的改变;
  • new 会先调用 operator new 函数,申请足够的内存(通常底层使用 malloc实现),然后调用类型的构造函数,初始化成员变量,最后返回自定义类型指针。delete 先调用析构函数,然后调用 operator delete 函数释放内存(通常底层使用 free 实现)。
  • malloc/free 是库函数,只能动态地申请和释放内存,无法强制要求其做自定义类型对象构造和析构工作。
  • 无论释放几个空间大小,free只传递指针地址就可以,delete释放多个对象时需加[]
  • new/delete底层是基于malloc/free来实现的,而malloc/free不能基于new/delete实现。


示例代码和汇编展示

malloc/free示例代码和汇编展示:

new、delete示例代码和汇编展示:

从上图可以看出:

malloc/free为函数只是开辟空间并释放,new/delete则不仅会开辟空间,并调用构造函数和析构函数进行初始化和清理。


new[]、delete[]示例代码和汇编展示:

从上图可以看出:

1.在开辟空间时会多开辟8个字节(不同的编译器可能不一样,一般编译器是4个字节,我演示的编译器版本比较高),用于存放对象的个数,在返回地址时则会向后偏移8个字节,而在delete时则会查看内存上对象个数,从而根据个数count确定调用几次析构函数,从而完全清理所有对象占用内存。

所以,对于内置类型若new[]但用delete释放时,没有影响,但若是自定义类型如类时,若释放使用 delete时,这时则会只调用一次析构函数,只析构了一个对象,剩下的对象都没有被清理。

new[]详细机制原理可以参考下面图片(截取侯捷老师《内存管理》课程的幻灯片片段):


相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: