读书整理-关于.net内置事件的驱动原理浅析

佩服下自己读书的速度,看完事件原理这一部分的内容,我比较乱,接着blog来整理下思路,就从反思.net内置事件入手,我们都知道 当点击 键盘操作 鼠标操作等操作都会映射到相应的事件 最普遍的 button click事件 我们就从这里入手 逐步分析 事件的机制 web开发中 button 继承自 web.control 他有一个 内部的事件  public event EventHandler Click

这是.net标准事件 需要两个参数 就是我们常见的 sender 和 e 这个事件有两个重要的描述 一个是 webcategory action 表示这个事件属于 活动分类,另一个 websysdescription button_onclick 是不是很熟悉 没错这就是事件默认的发起事件的方法名 通过反编译 可以看到 这个事件内部 有自己的 add 和removed 方法 来做注册和解除注册操作

add{base.event.addhandler(event.click,value)} removed{base.event.removeHandler(event.click,value)}通过调用 基类的 event属性的add和removed方法来注册和移除 这里的基类是? 回过头来看 button类 public class button:webControl 明白了 base指的是 webcontrol 那我们来看 webcontrol中 event属性的定义 没有? 再看 上面 webcontrol:control 原来还有一层 再看 擦 都没有 找不到event 我们从addHandler 入手 看看这个方法 究竟在哪 回过头看 啊哈原来是 events 好吧 2了 反编译下 看到 这是一个 control中protected 属性 只限本类和子类访问 实例不能访问 看到这个属性是 eventHandlerList 类型 并且是只读的 我们再来看下 eventHandlerList 这是一个类型 属于 system.componentModel 命名空间 实现了 Idisposed 接口 可以通过 using来 智能回收资源 从字面理解就是 事件委托列表 不深究 回到 刚才  我们看 addhandler 的两个参数 写着 eventclick value 看起来让人容易误解 反编译 可以看到 其实 是 object 和 delegate 其中 value 还是一个 eventHandler eventclick 是一个 button 内部的私人的对象型 字段 只能在button类内部访问 并且是只读的

好了整理下思路,button 的click 事件 被 指定为某钟事件处理程序的过程 button 内部有一个 虚方法 onclick 通过判断eventclcik事件来 形成默认的事件处理程序,addHandler 有一套自我判断委托是否合理的逻辑,技术不够不做深究,button有一个静态的构造方法 来初始化 一个object 对象赋给 eventclick object  而eventclick 是只读的

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