写下自己对面向对象的理解吧,开始很乱,整理后清晰了不少

 

可能是自己在有道笔记上做的,图片在我的剪切板上,居然显示不了

 

如何建模

 

类=属性+动作+标识(类的名字)

属性:记录了类的特征。

动作:记录了类具有什么样的能力,能够为其他类提供什么样的服务。

         -----如果A对象调用了B对象中的一个方法,就称A给B发送了一个消息

建模需要注意的问题:

抽象---建模基础

  1. 在对对象进行抽象时,对象是属性和服务的结合体二者是不可分的。

        ------你不能让一个没有手的人给你倒茶!

  1. 在建模对象时,只关心对本系统有关的属性和方法,不可能全部都罗列到,要对他们说关心的领域,应该强调主要性质而忽略次要性质
  2. 在建模时,要从不同的层次对问题进行建模,比如,汽车的设计着关心骑车每个零件的尺寸和性能,而销售关心价格啥的,有可能模型的粗细度不同
  3. 模型一般不大可能一下子设计的非常完美,应该随阶段的递推不断的完善

封装---安全目标

  • 封装的目的是使对象形成两部分,接口部分实现部分。接口对用户可见,实现是不可见的。

继承---重用目标

继承的好处很明显:

  • 子类只需要实现自己特别关心的地方而不必全部重来,
  • 子类的方法和其他子类都有一个规范,这就是所谓的接口一致

聚合---装配机制

它描述对象之间的部分与整体之间的关系,如可以将电脑分成:显示器,CPU、内存、硬盘、显卡、、、、比较符合人的充宏观到微观的认识事物的规律。与之相关的一个词是组合,组合和聚合很相似,但是不同之处也很明显,组合强调了各部不可分的一种性质,是一种强聚合,如果将它强分为一个个小部分是没有意义的。

关联---整合机制

继承和聚合就是一种特别的最重要的关联机制,就是两个对象之间的某种关系如师生关系,朋友关系,攻击关系(飞机轰炸坦克)等等

消息传递---通信机制

消息传递与过程调用不是一回事,虽然很像差别很小,比如输入同样的参数,有可能接受消息传递的那个对象的状态和上次的不一样,输出的结果就有可能不同,但是,过程调用就不然,输入相同,他处理出的结构就会一样。这个消息的传递通常用顺序图和协作图描述。

顺序图:体现的是时间上的关系,对象的生命周期是那个空心长方形,箭头方向表示传递的顺序。

协作图:体现的是空间关系

两者是等价的,某些UML工具甚至可以相互转化

 

重载---灵活目标

说简单点就是函数名相同,但是参数不同,简答的举个例子就是三角行的面积可以用三边长求和用一个边长加一个夹角,呵呵,感觉这个可以求出来吧,数学不怎么地

 

多态---OO灵魂

当收到同一消息的时候,不同对象所做出的行动不一样,这就是多态,例如,电脑,门,书,窗帘,都有打开的动作,但是打开的结构各不相同,多态的做法是将特别功能的实现放在较低的底层,把具有通用功能的消息放在高层,哎哟,什么意思,拗口,这么理解吧,函数名字和参数都定义相同,具体实现细节放到各特别对象 --类中去。

 

 

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类型,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
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

打赏作者

老码沉思录

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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