day08

什么是多态

事物的多种形态,把子类对象看成是父类对象(把子类对象赋给父类的某一个变量),但是在运行时期,运行的是子类的特征

多态的好处

可以屏蔽不同子类对象之间的差异,从而写出通用的代码实现通用编程

多态时方法调用的问题

情况1:subclass和superclass,dowork只存在于subclass中,不存在superclass这样编译就会报错.

情况2:dowork是静态方法,都存在于两个类中,但是在执行的时候是执行的父类的dowork    静态方法属于隐藏

superclass su = new subclass();
su.dowork();//执行的是父类方法,静态方法只是
情况3:

class superclass{
	public void dowork(){
		System.out.println("我是父");
	}
}
class subclass extends superclass{
	public void dowork(){
		System.out.println("我是子");
	}
}
public class demo{
	public static void main(String[] args){
		superclass cl = new subclass();
		cl.dowork();
	}
}
引用类型转换

需要使用特有属性,就需要使用强转. instanceof

class superclass{
	public void dowork(){
		System.out.println("我是父");
	}
}
class subclass extends superclass{
	public void dowork(){
		System.out.println("我是子");
	}
	public void doo(){
		System.out.println("我是子类特有的方法");
	}

}
public class demo{
	public static void main(String[] args){
		superclass cl = new subclass();
		cl.dowork();
			if(cl instanceof subclass){
				System.out.println("转换开始");
				subclass su = (subclass)cl;
				su.doo();
		}
	}
}
代码块

在程序中,使用{}括起来的一段代码,而根据代码块的位置和修饰符可以分三种

1,局部代码块,在方法中定义的代码块,一般的表现为if for语句

2,初始化代码块,在类中直接定义的,和方法是平行关系,用来初始化操作,在创建该初始化代码块所在类的对象的时候,执行,创建N个对象,则执行N次.

   创建对象时,优先于构造器执行

3,静态代码块,使用static修饰的初始化代码块,当静态代码块所在类的字节码被加载进jvm,就立马执行静态代码块,而且只会执行一次.

class codedemo{
	codedemo(){
		System.out.println("构造器");
	}
	{
		System.out.println("初始化代码块");
	}
	static{
		System.out.println("静态代码块");
	}
	public static void main(String[] args){
		System.out.println("main....");
		new codedemo();
		new codedemo();
		new codedemo();

	}
}
Final修饰符

最终的,不能改变的,是一个修饰符,可以修饰类,方法,变量

final修饰的类,不能有子类.

某类不是专门为继承而设计的

出于安全考虑,类的实现细节不许改动

确信该类不会被扩展

final修饰的方法:最终方法,该方法不能被子类所覆盖

父类在构造器中调用的初始化方法

父类中提供好的算法业务操作,只应该让子类调用,不能被子类继承

常量

字面值,直接量,"abc",3

使用final修饰的变量

final是所有修饰符中唯一可以修饰局部变量的修饰符

final变量,最终变量,只有一次赋值的机会

起名全部是大写,多个字母使用_分开

final修饰引用类型常量

所引用的堆内存地址值不能改变

单例设计模式

满足三个条件,

1\构造器私有

2\工具类自身先提供好一个对象

3\工具类向外暴露一个公共的静态方法,用于返回该对象

public class danli{
	private danli(){}
	private static final danli instance = new danli();
	public static danli getInstance(){
		return instance;
	}
}
基本类型包装类

Byte Short Integer Character Float Double Long Boolean

装箱

Integer i1 = new Integer(1);

Integer i2 = Integer.valueOf(1);

拆箱

int num = i1.intValue();

从java5开始就支持自动装箱和拆箱了

Integer i3 = 18;

int num3 = i3;

//String 和 int 相互间的转换
public class demo2{
	public static void main(String[] args){
		String str = "17";
		int num = Integer.parseInt(str);
		System.out.println(num);
		String str2 = String.valueOf(num);
		System.out.println(str2);
	}
}
享元模式

共享同一个元素/带有缓存设计

Byte,Short,Integer,Long -128 ~ +127

Character 0~127

public class demo3{
	public static void main(String[] args){
		Byte a = 18;
		Byte b = 18;
		System.out.println(a==b);//true
		Character c1 = 128;
		Character c2 = 128;
		System.out.println(c1==c2);//false
	}
}
引出抽象

需要在

抽象方法只存在于接口和抽象类中

abstract class demo{
	abstract public void method();
}
class demotest extends demo{
	public void method(){
		System.out.println("我只是覆盖方法而已");
	}
}
public class demo4{
	public static void main(String[] args){

	}
}





1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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