我正在为一个机器学习库编写一些模板化的类，我很多时候都面临这个问题。我主要使用策略模式，其中类接收作为不同功能的模板参数策略，例如：
template <class Loss, class Optimizer> class LinearClassifier { ... }
问题在于构造函数。随着策略量（模板参数）的增长，const引用和右值引用的组合呈指数级增长。在前面的示例中：
LinearClassifier(const Loss& loss, const Optimizer& optimizer) : _loss(loss), _optimizer(optimizer) {}
LinearClassifier(Loss&& loss, const Optimizer& optimizer) : _loss(std::move(loss)), _optimizer(optimizer) {}
LinearClassifier(const Loss& loss, Optimizer&& optimizer) : _loss(loss), _optimizer(std::move(optimizer)) {}
LinearClassifier(Loss&& loss, Optimizer&& optimizer) : _loss(std::move(loss)), _optimizer(std::move(optimizer)) {}
有没有办法避免这种情况？
实际上，这就是为什么引入perfect forwarding的确切原因。将构造函数重写为
template <typename L, typename O>
LinearClassifier(L && loss, O && optimizer)
: _loss(std::forward<L>(loss))
, _optimizer(std::forward<O>(optimizer))
{}
但是，做Ilya Popov在他的answer中的建议可能要简单得多。说实话，我通常这样做，因为移动的目的是便宜，而且一次移动不会戏剧性地改变。
作为Howard Hinnant has told，我的方法可能是SFINAE不友好的，因为现在LinearClassifier在构造函数中接受任何类型的对。 Barry's answer展示了如何处理它。
这正是“通过价值和移动”技术的用例。虽然效率低于左值/右值超载，但它不会太糟糕（一次额外移动）并且可以省去麻烦。
LinearClassifier(Loss loss, Optimizer optimizer)
: _loss(std::move(loss)), _optimizer(std::move(optimizer)) {}
在lvalue参数的情况下，将有一个副本和一个移动，在rvalue参数的情况下，将有两个移动（假设您将类Loss和Optimizer实现移动构造函数）。
更新：一般来说，perfect forwarding solution效率更高。另一方面，这个解决方案避免了模板化的构造函数，这些构造函数并不总是令人满意，因为它在不受SFINAE约束时会接受任何类型的参数，并且如果参数不兼容，会导致构造函数内部出现硬错误。换句话说，无约束的模板化构造函数不是SFINAE友好的。请参阅Barry's answer以获取约束模板构造函数，以避免此问题。
模板化构造函数的另一个潜在问题是需要将其放在头文件中。
更新2：Herb Sutter在他的CppCon 2014演讲“回归基础知识”starting at 1:03:48中讨论了这个问题。他首先讨论了按值传递，然后在rvalue-ref上进行重载，然后完美转发at 1:15:22，包括约束。最后他谈到构造函数是传递价值at 1:25:50的唯一好用例。
为了完整起见，最优的2参数构造函数将采用两个转发引用并使用SFINAE来确保它们是正确的类型。我们可以介绍以下别名：
template <class T, class U>
using decays_to = std::is_convertible<std::decay_t<T>*, U*>;
然后：
template <class L, class O,
class = std::enable_if_t<decays_to<L, Loss>::value &&
decays_to<O, Optimizer>::value>>
LinearClassifier(L&& loss, O&& optimizer)
: _loss(std::forward<L>(loss))
, _optimizer(std::forward<O>(optimizer))
{ }
这确保了我们只接受Loss和Optimizer类型的参数（或者从它们派生的）。不幸的是，它写得非常满口，并且非常分散了原意。这很难做到 - 但如果表现很重要，那么这很重要，这真的是唯一的出路。
但是如果它无关紧要，并且如果Loss和Optimizer移动便宜（或者更好的是，这个构造函数的性能完全不相关），更喜欢Ilya Popov's solution：
LinearClassifier(Loss loss, Optimizer optimizer)
: _loss(std::move(loss))
, _optimizer(std::move(optimizer))
{ }
兔子洞要走多远？
我知道有4种方法可以解决这个问题。如果匹配它们的前置条件，通常应该使用较早的条件，因为后者在复杂性方面会显着增加。
在大多数情况下，要么移动是如此便宜，做两次是免费的，或移动是复制。
如果move是copy，并且copy是非自由的，请通过const&获取参数。如果没有，按价值取值。
这将基本上表现最佳，并使您的代码更容易理解。
LinearClassifier(Loss loss, Optimizer const& optimizer)
: _loss(std::move(loss))
, _optimizer(optimizer)
{}
为了便宜的移动Loss和移动复制optimizer。
在所有情况下，这对于每个值参数下面的“最佳”完美转发（注意：完美转发不是最佳的）进行1次额外移动。只要移动便宜，这是最好的解决方案，因为它生成干净的错误消息，允许基于{}的构造，并且比任何其他解决方案更容易阅读。
考虑使用此解决方案。
如果移动比复制但非自由便宜，一种方法是完美的转发基础：或者：
template<class L, class O >
LinearClassifier(L&& loss, O&& optimizer)
: _loss(std::forward<L>(loss))
, _optimizer(std::forward<O>(optimizer))
{}
或者更复杂，更容易过载：
template<class L, class O,
std::enable_if_t<
std::is_same<std::decay_t<L>, Loss>{}
&& std::is_same<std::decay_t<O>, Optimizer>{}
, int> * = nullptr
>
LinearClassifier(L&& loss, O&& optimizer)
: _loss(std::forward<L>(loss))
, _optimizer(std::forward<O>(optimizer))
{}
这使您有能力根据{}构建您的参数。此外，如果调用上述代码，则可以生成指数数量的构造函数（希望它们将被内联）。
您可以以SFINAE失败为代价放弃std::enable_if_t条款;基本上，如果您不小心使用std::enable_if_t子句，则可以选择构造函数的错误重载。如果你有相同数量的参数的构造函数重载，或者关心早期失败，那么你需要std::enable_if_t。否则，使用更简单的一个。
该解决方案通常被认为是“最佳”的。它是可接受的最佳选择，但并不是最优的。
下一步是使用带有元组的emplace构造。
private:
template<std::size_t...LIs, std::size_t...OIs, class...Ls, class...Os>
LinearClassifier(std::piecewise_construct_t,
std::index_sequence<LIs...>, std::tuple<Ls...>&& ls,
std::index_sequence<OIs...>, std::tuple<Os...>&& os
)
: _loss(std::get<LIs>(std::move(ls))...)
, _optimizer(std::get<OIs>(std::move(os))...)
{}
public:
template<class...Ls, class...Os>
LinearClassifier(std::piecewise_construct_t,
std::tuple<Ls...> ls,
std::tuple<Os...> os
):
LinearClassifier(std::piecewise_construct_t{},
std::index_sequence_for<Ls...>{}, std::move(ls),
std::index_sequence_for<Os...>{}, std::move(os)
)
{}
我们将建筑推迟到LinearClassifier内部。这允许您在对象中具有非复制/可移动对象，并且可以说是最有效的。
要了解它是如何工作的，例如现在piecewise_construct与std::pair一起使用。你首先传递分段构造，然后forward_as_tuple后来构造每个元素的参数（包括复制或移动ctor）。
通过直接构造对象，与上面的完美转发解决方案相比，我们可以消除每个对象的移动或复制。它还允许您根据需要转发副本或移动。
最后一个可爱的技术是打字 - 擦除结构。实际上，这需要像std::experimental::optional<T>这样的东西可用，并且可能使类更大。
这并不比分段构造快。它确实抽象了emplace构造所做的工作，使其在每次使用的基础上更简单，并且它允许您从头文件中拆分ctor体。但是在运行时和空间中都存在少量开销。
你需要从一堆样板开始。这会生成一个模板类，它代表“构建一个对象的概念，以后，在别人会告诉我的地方”。
struct delayed_emplace_t {};
template<class T>
struct delayed_construct {
std::function< void(std::experimental::optional<T>&) > ctor;
delayed_construct(delayed_construct const&)=delete; // class is single-use
delayed_construct(delayed_construct &&)=default;
delayed_construct():
ctor([](auto&op){op.emplace();})
{}
template<class T, class...Ts,
std::enable_if_t<
sizeof...(Ts)!=0
|| !std::is_same<std::decay_t<T>, delayed_construct>{}
,int>* = nullptr
>
delayed_construct(T&&t, Ts&&...ts):
delayed_construct( delayed_emplace_t{}, std::forward<T>(t), std::forward<Ts>(ts)... )
{}
template<class T, class...Ts>
delayed_construct(delayed_emplace_t, T&&t, Ts&&...ts):
ctor([tup = std::forward_as_tuple(std::forward<T>(t), std::forward<Ts>(ts)...)]( auto& op ) mutable {
ctor_helper(op, std::make_index_sequence<sizeof...(Ts)+1>{}, std::move(tup));
})
template<std::size_t...Is, class...Ts>
static void ctor_helper(std::experimental::optional<T>& op, std::index_sequence<Is...>, std::tuple<Ts...>&& tup) {
op.emplace( std::get<Is>(std::move(tup))... );
}
void operator()(std::experimental::optional<T>& target) {
ctor(target);
ctor = {};
}
explicit operator bool() const { return !!ctor; }
};
我们在哪里键入 - 擦除从任意参数构造可选项的操作。
LinearClassifier( delayed_construct<Loss> loss, delayed_construct<Optimizer> optimizer ) {
loss(_loss);
optimizer(_optimizer);
}
其中_loss是std::experimental::optional<Loss>。要删除_loss的可选性，你必须使用std::aligned_storage_t<sizeof(Loss), alignof(Loss)>并非常小心编写ctor来处理异常并手动破坏事物等。这是一个令人头疼的问题。
关于这最后一个模式的一些好处是ctor的主体可以移出标题，并且最多生成线性数量的代码而不是指数量的模板构造函数。
此解决方案的效率略低于放置构造版本，因为并非所有编译器都能够内联使用std::function。但它也允许存储不可移动的物体。
代码未经过测试，因此可能存在错别字。
在保证省略的c++17中，延迟ctor的可选部分变得过时。任何返回T的函数都是T的延迟ctor所需要的。