C#Ver.4 Delegates概念、使用(C#Ver.2:Anonymous Method;C#Ver.3:Lambda expressions)

   本文将介绍C#(版本:4.0)的Delegate的概念以及使用,部分延伸概念。本文是对MSDN中Delegates (C# Programming Guide)的提炼。

    OVERVIEW:

1.Delegates 的概念类似于C/C++中的函数指针(Function Pointer),同时它是面向对象的、安全的(后半句还没体会到。)

2.Delegates允许方法(Method)被当做参数一样传递。

3.可以用作定义一个Callback 方法。(所谓CALLBACKOne of the most useful things to do with function pointers is pass a function as an argument to another function. Functions used as arguments to another function are sometimes called callback functions.

4.可以被链在一起(Chain together,这是C#的一个概念例如Class.Where().Where(),Where()是执行一个方法)。

5. Using Variance in Delegates ,如此delegate方法时不需完全切合Delegate的类型

6.C# Ver 2.0介绍了 Anonymous Methods的概念(方法可被当做参数传递)。C# 3.0 介绍 lambda expressions 。 anonymous methods 和 lambda expressions (在特定的语境) 会被编译成 delegate 类型. 这些被称作 anonymous functions 。

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

示例

1.声明一个delegate对象。请注意Del 是属于 delegate type(delegate type衍生于delegate class)

 The following example declares a delegate named Del that can encapsulate a method that takes a string as an argument and returns void

           public delegate void Del(string message);
 这里一个名为Del的delegate可以对一个方法(该方法以一个 string 参数输入,返回void)进行了封装(encapsulate)。

        // 创建一个方法用于以便演示 delegate 一个方法DelegateMethod。
        public static void DelegateMethod(string message)
        {
            System.Console.WriteLine(message);
        }
            // 实例化一个 delegate.
            Del handler = DelegateMethod;

            // 调用那个 delegate object.
            handler("Hello World");

3.如何定义一个CALLBACK,即把一个实例化的Delegata当做一个参数传递到一个方法。

 public void MethodWithCallback(int param1, int param2, Del callback)
        {
            callback("The number is: " + (param1 + param2).ToString());
        }
//You can pass the delegate"handler" created above to the method.
            MethodWithCallback(1, 2, handler);

4.Delegate是Del一个对象的(实例化的),同时通过’+=’or‘+’运算符可以建造一个调用列表(invocation list)

public class MethodClass
    {
        public void Method1(string message) { }
        public void Method2(string message) { }
    }
            //DelegateMethod见示例2中的声明
            MethodClass obj = new MethodClass();
            Del d1 = obj.Method1;
            Del d2 = obj.Method2;
            Del d3 = DelegateMethod;

            //两种赋值方式都可以创建调用列表(invocation list):allMethodsDelegate。其中的方法会被按顺序调用。
            //调用allMethodsDelegate称为Multicasting
            Del allMethodsDelegate = d1 + d2;
            allMethodsDelegate += d3;

            //remove Method1
            allMethodsDelegate -= d1;

            // copy AllMethodsDelegate while removing d2
            Del oneMethodDelegate = allMethodsDelegate - d2;

6.Because delegate types are derived from System.Delegate, the methods and properties defined by that class can be called on the delegate. For example, to find the number of methods in a delegate's invocation list, you may write:

 int invocationCount = d1.GetInvocationList().GetLength(0);

7.只有都属于System.Delegate的对象才可以返回TURE.

    delegate void Delegate1();
    delegate void Delegate2();

    static void method(Delegate1 d, Delegate2 e, System.Delegate f)
    {
        // Compile-time error.
        //Console.WriteLine(d == e);

        // OK at compile-time. False if the run-time type of f 
        // is not the same as that of d.
        System.Console.WriteLine(d == f);
    }










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