java第一次培训实习感言--类的继承和方法

今天是2015年5月17号,也是我人生中的一次重大转折,因为慢慢的感受到了学习这个行业的氛围,由于这是第一次写的博客,所以很多格式和方法都不是那么的完美,还请各位游客们多多包涵,废话不多说,下面来说一说我今天学习java的感悟:

今天主要是学习java的继承

怎么说呢,我个人认为 从字面上理解的话 就是父亲有什么东西 都会留给自己的儿子,从而就有了子类父类一说;

而子类要从父类那里继承什么东西就必须要一个关键字--extends


比方说:新建一个被继承者--父类(Student),先不要定义函数,如下图:



在新建一个继承者--子类  (SuperStudent)  ,(可以定义函数,也可以不定义函数),如下图:




上面就运用了继承关键字---extends

不过有一点要注意的是 继承的属性必须是非私有的属性,因为私有的是不能被继承的;


不过除了上面所说的 关键字 extends之外,其实还有一个继承的关键字---implements,那么他有什么功能和属性呢,待会在给大家一一介绍;


其实   方法的分类有三种:普通方法、抽象方法、构造方法;

            的分类也有三种:普通类、抽象类、接口;

普通方法我就不在多说了,其实就是大家日常使用的方法,我今天主要是学习到抽象方法,下面我来说一下抽象方法的用法和格式:

抽象方法:没有方法体,格式   :public  abstract 返回值  方法名(参数);

      必须存在于抽象类或者接口
      
抽象类:可以是普通方法、也可以是抽象方法     public abstract class 类名{}
 不能创建对象
普通类:必须都是普通方法       public class 类名{}
可以创建对象
接口:必须都是抽象方法         public interface 类名{}
          不能创建对象


普通类继承接口:implements
普通类继承普通类:extends
普通类继承抽象类:extends


以上就是我的个人学习感言,谢谢大家的围观,祝大家事业有成,身体健康,再见!!!!



深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值