文章目录前言与需求使用简单示例构造空值std::in_place原位构造推导指引std::make_optional访问取值逻辑判断END前言与需求optional》adj.可选择的，选修的在编程与实际项目中

in_place用法c++中有三个类似于c语言中union一样的类型，分别为std::optional--持有T或者什么都没有std::variant–持有T或者U等std::any–持有任意类型std

in_place有三种辅助类型：std::in_place_t类型和全局值std::in_place，用于std::optionalstd::in_place_type_t类型和全局值std::in_place_type

构造：std::optionalop=std::nullopt;std::optionalop1={"123"};//std::in_place指明直接调用std::string("consruct")

本文所述的内存优化方法不包含例如“减少batchsize”等直接影响训练流的方法目录1.尽量使用in_place实现2.Pytorch的‘checkpoint’3.删除loss等不再被需要的值，释放对应的空间

pytorch的unsqueeze和unsqueeze_的使用,及in_place操作unsqueezeunsqueeze就是用来扩展维度的,先来看下unsqueeze的参数,torch.unsqueeze

in_place类型在一个tensor上操作了之后，就直接修改了这个tensor。旧的tensor直接丢弃了。返回的是新的tensor。

n.relu1=L.ReLU(n.conv1,in_place=True,relu_param={'negative_slope':0.333})

很多操作和tensorflow一致torch.add(x,y,out=result)y.add_(x)in_place加法可以从tensor复制另外的tensor(x=torch.new_ones(5,3

文章目录1.引言2.快速上手3.创建std::optional的方式3.1使用in_place/make_optional进行构造3.1.1使用默认构造函数3.1.2non-copyable/movable

做其他的形态学运算，如去除小区域，提取图像骨架，#移除小的区域skimage.morphology.remove_small_objects(ar,min_size=64,connectivity=1,in_place

in_place选项将top和bottom合并，提升计算速度，不完全列举：ReLU层，Dropout层，BatchNorm层，Scale层CUDNN_STATUS_SUCCESS(3vs.0)CUDNN_STATUS_BAD_PARAM

所谓“In_Place”，我的理解为“内置”控件，既然有“内”就相对的会有“外”，其实内和外最简单的理解就是“内置”控件是绑定到如GridControl，TreeList等控件单元格上的控件，“外置”控件是直接拖