OC基础-对象的构造函数19

什么是构造方法

    构造方法是一种特殊的方法。是创建对象并完成对象初始化的方法。

    构造方法分两种无参构造方法和有参构造方法。

常用构造方法

    OC 对象的构造方法常用的有两个 new init方法。

    类名 *指针名 =  [类名  new];


    new实际上是1个类方法.


    new方法的作用:

    -> 创建对象。

    - 初始化对象

    -> 把对象的地址返回.



    new方法的内部,其实是先调用的alloc方法. 再调用的init方法.


    alloc方法是1个类方法,作用: 1个类调用这个方法 就创建那个类的对象,并把对象返回.

    init方法 1个对象方法,作用: 初始化对象.


    创建对象的完整步骤:

    应该是先使用alloc创建1个对象,然后再使用init初始化这个对象 才可以使用这个对象.

    虽然没有初始化的对象 有的时候 也可以使用. 但是千万不要这么做.

    使用1个未经初始化的对象是极其危险的.


    Person *p1 = [Person new];

    完全等价于

    Person *p1 = [[Person alloc] init];


    init方法.


    作用: 初始化对象,为对象的属性赋初始值 这个init方法我们叫做构造方法.


    init方法做的事情:初始化对象.

    为对象的属性赋默认值.


    如果属性的类型是基本数据类型就赋值为0

    C指针           NULL

    OC指针          nil


    所以.我们创建1个对象如果没有为这个对象的属性赋值 这个对象的属性是有默认值的.

    所以,我们每次新创建1个对象,这个对象的属性都被初始化了.

newalloc的区别

    + new

    {

        id newObject = (*_alloc)((Class)self, 0);

        Class metaClass = self->isa;

        if (class_getVersion(metaClass) > 1)

            return [newObject init];

        else

            return newObject;

    }


    // alloc/init 像这样:

    + alloc

    {

        return (*_zoneAlloc)((Class)self, 0, malloc_default_zone());

    } 

    - init 

    { 

        return self

    }

    通过源码中我们发现,[className new]基本等同于[[className alloc] init];区别只在于alloc分配内存的时候使用了zone.zone是给对象分配内存的时候,把关联的对象分配        到一个相邻的内存区域内,以便于调用时消耗很少的代价,提升了程序处理速度;

    为什么不用new,因为new初始化方法被固定死只能调用init.alloc可以使用多种其他的定制初始化方法。


重写init方法的规范:

    1). 必须要先调用父类的init方法.然后将方法的返回值赋值给self

    因为父类的init方法 会初始化父类的属性. 所以必须要保证当前对象中的父类属性也同时被初始化.

    2). 调用init方法初始化对象有可能会失败,如果初始化失败.返回的就是nil


    3). 判断父类是否初始化成功. 判断self的值是否为nil 如果不为nil说明初始化成功.

    因为.调用父类的init方法 会返回初始化成功的对象

    实际上返回的就是当前对象。但是我们要判断是否初始化成功.

    4). 如果初始化成功 就初始化当前对象的属性.


    5). 最后 返回self的值.


自定义构造方法.


    规范:

    1). 自定义构造方法的返回值必须是instancetype

    2). 自定义构造方法的名称必须以initWith开头.

    3). 方法的实现和init的要求一样.


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