std::inner_product与std::accumulate初始值设置踩坑

news2025/1/9 1:11:52

std::inner_product函数可以用于计算两个序列的内积。在这个函数中，我们需要传递四个参数：两个源序列的起始迭代器、一个初始值和一个二元函数对象。

std::inner_product函数将对两个源序列中的每个元素进行乘法运算，并将结果累加到初始值中，最终返回累加结果。

以下是一个示例代码，演示了如何使用std::inner_product函数计算两个序列的内积：

#include <iostream>
#include <vector>
#include <numeric>

double calc_confi_interval(double rtt_interval_ratio) {
    return 1.96 * rtt_interval_ratio / std::sqrt(2);
}

int main() {
    std::vector<double> rtt_interval_ratios = {0.5, 0.6, 0.7, 0.8, 0.9};
    std::vector<double> rtt_interval_weights = {0.1, 0.2, 0.3, 0.4, 0.5};
    std::vector<double> rtt_interval_confidences(rtt_interval_ratios.size());
    int N_intervals = 3;
    std::transform(rtt_interval_ratios.begin(), rtt_interval_ratios.begin() + N_intervals,
                   rtt_interval_confidences.begin(), calc_confi_interval);
    double res = std::inner_product(rtt_interval_confidences.begin(), rtt_interval_confidences.begin() + N_intervals,
                                    rtt_interval_weights.begin(), 0.0);
    std::cout << res << std::endl;
    return 0;
}

在这个示例代码中，我们定义了一个函数calc_confi_interval，用于计算置信区间。我们还定义了两个序列rtt_interval_ratios和rtt_interval_weights，分别表示RTT间隔比率和权重。我们使用std::transform函数将rtt_interval_ratios序列中的前N_intervals个元素转换为置信区间，并将结果存储到rtt_interval_confidences序列中。最后，我们使用std::inner_product函数计算rtt_interval_confidences序列和rtt_interval_weights序列的内积，并将结果存储到res变量中。

通过使用std::inner_product函数，我们可以方便地计算两个序列的内积。在二元函数对象中，我们可以根据需要定义不同的运算规则，以便满足不同的计算需求。

std::inner_product函数的初始值对于结果类型有影响，初始值的类型必须与源序列和二元函数对象的返回类型相同，否则计算可能会有精度丢失。

以下是一个示例代码，演示了初始值类型与结果类型不匹配时会导致结果出错：

int main() {
    std::vector<int> v1 = {1, 2, 3};
    std::vector<double> v2 = {1.1, 2.2, 3.3};
    auto res = std::inner_product(v1.begin(), v1.end(), v2.begin(), 0);
    std::cout << res << std::endl;
    return 0;
}

在这里插入图片描述
初始值改为0.0

int main() {
    std::vector<int> v1 = {1, 2, 3};
    std::vector<double> v2 = {1.1, 2.2, 3.3};
    auto res = std::inner_product(v1.begin(), v1.end(), v2.begin(), 0.0);
    std::cout << res << std::endl;
    return 0;
}

在这里插入图片描述
计算结果也正确了。
与之类似的例如std::accumulate

int main() {
    std::vector<double> v = {1.1, 2.2, 3.3, 4.4, 5.5};
    auto sum = std::accumulate(v.begin(), v.end(), 0);
    std::cout << "sum = " << sum << std::endl;
    return 0;
}

在这里插入图片描述
计算结果为15，明显丢失精度了。
初始值改为0.0

int main() {
    std::vector<double> v = {1.1, 2.2, 3.3, 4.4, 5.5};
    auto sum = std::accumulate(v.begin(), v.end(), 0.0);
    std::cout << "sum = " << sum << std::endl;
    return 0;
}