OC第六天 block

OC中的block与C中的函数指针有些相似
我们先回顾一下函数指针
回顾函数指针:指向函数的指针
保存的函数的地址
int (*p)(int a, int b) = NULL;
p = sumValue;
// 函数指针调用
NSLog(@”%d”,p(3,5));

 Block标志 ^托字符(凸起符)
 block保存的是 有特定功能的函数体
 数据类型 + 变量名 = 初值
 int (^变量名)(int a,int b) = ^初值(跟前面类型要一致)
 初值的部分 是一个没有名字的 函数体
int (^Block)(int a, int b)= ^int (int a, int b){
    return a +b;

};

这里写图片描述

 打印参数的block OC的
 无返回值用void
void (^PrintfBlock)(NSString *str) = ^void (NSString *str){
    NSLog(@"%@",str);

};
// block的调用直接使用block的名字去调用
PrintfBlock(@"哈哈哈哈");

PrintfBlock = ^void (NSString *str){
    NSLog(@"%@",str);
    NSLog(@"%@",str);

};
PrintfBlock(@"asd");
 block的好处
 把block当做一个参数 传入方法中
 非常灵活 可以灵活掌控block的实现
 也就是 你传入的block实现的是什么功能
 你这个方法 就实现什么功能



 block排序
NSMutableArray *array = [NSMutableArray arrayWithObjects:@"1",@"4",@"2",@"3", nil];

NSNumber *n1 = [NSNumber numberWithInt:11];
// 语法糖 初始化NSNumber类型方法
NSNumber *n2 = @11;
NSMutableArray *array = [NSMutableArray arrayWithObjects:@8,@12,@9,@11, nil];


[array sortUsingComparator:^NSComparisonResult(id obj1, id obj2) {
     实现部分 填写obj1 和obj2
     实现0原理:数组中两个元素进行比较
     比较后 返回值  如果前面比后面大 则交换
     经此比较到最后一个元素  完成排序

     compare:可以比较的类型
     1.字符串类型(NSString *)
     2.NSNumber *类型
    NSString *str1 = (NSString *)obj1;  //这边是比较字符串的
    NSString *str2 = (NSString *)obj2;  // 如果想要比较NSNumber 只需要转化成NSNumber就可以了
    if ([str1 compare:str2] > 0) {
        return NSOrderedDescending;
    } else if ([str1 compare:str2] == 0) {
        return NSOrderedSame;
    } else {
        return  NSOrderedAscending;
    }

    // 交换位置来排序的
}];
NSLog(@"%@",array);

*以上输出注意的是:如果可变字典中初始化的4个对象 是: @”12”,@”8”,@”11”,@”9”*
如果按升序排序的话 一般情况下我们肯定会认为结果是 8,9,11,12 但是这边用字符串比较的时候结果是 11,12,8,9 这是为什么呢?
这里由于调用了compare方法进行比较,compare的原理是比第一个数,第一个数相同就比第二个,以此类推.
比较完一位 结果是: (12,11) 8 , 9
在比较是结果就是11,12,8,9
**

字典数组等语法糖(快捷)]

这里写图片描述

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