java内部类

这是从网上看到的一些总结,有错误的地方请指点微笑

java内部类,有非静态内部类,静态内部类,局部内部类,匿名内部类。

特点:内部类仍然是是独立的类,在编译后会编译为独立的.class文件,但是前面冠以外部类类名和$符号

内部类不能用普通的方式访问,内部类是外部类的成员,内部类可以自由访问外部类成员,包括private成员,和static成员也可访问。

内部类申明为静态的就不能随意访问外部类的成员变量,只能访问外部类的静态成员变量。

 外部类的静态方法中实例化内部类:

1. 在外部类访问内部类是容易的,直接创建内部类对象,可调用内部类的方法

2.内部类可以访问外部类的成员变量

3.如果在外部类的main方法中实例化内部类,OutClass.InnerClass inner  = new OutClass().new InnerClass(),先实例化外部类,才能实例化内部类

 内部类this引用?

this表示引用当前对象,在内部类中用外部类名.this可引用外部类的当前对象


静态内部类

1. 静态内部类只能访问外部类的静态成员

2.在外部类中访问静态内部类和在外部类中访问非静态内部类是一样的

3.从外部类静态方法中实例化静态内部类因为内部类和类是绑定的不需要实例化外部类就可实例化内部类: OutClass.InnerClass inner = new OutClass.InnerClass();


关于匿名内部类:

在这里我们看到使用匿名内部类我们必须要继承一个父类或者实现一个接口,当然也仅能只继承一个父类或者实现一个接口。同时它也是没有class关键字,这是因为匿名内部类是直接使用new来生成一个对象的引用。当然这个引用是隐式的。

1.使用匿名内部类时,我们必须是继承一个类或者实现一个接口,但是两者不可兼得,同时也只能继承一个类或者实现一个接口。

2.匿名内部类中是不能定义构造函数的。

3.名内部类中不能存在任何的静态成员变量和静态方法。

4.匿名内部类为局部内部类,所以局部内部类的所有限制同样对匿名内部类生效。

5.匿名内部类不能是抽象的,它必须要实现继承的类或者实现的接口的所有抽象方法。

对于匿名内部类的使用它是存在一个缺陷的,就是它仅能被使用一次,创建匿名内部类时它会立即创建一个该类的实例,该类的定义会立即消失,所以匿名内部类是不能够被重复使用。对于上面的实例,如果我们需要对test()方法里面内部类进行多次使用,建议重新定义类,而不是使用匿名内部类。

私有内部类:

如果一个内部类只希望被外部类中的方法操作,那么只能在外部类中实例化,有外部方法调用

方法内部类:

当方法的形参要被内部类调用时,方法的形参必须申明为final



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
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