Effective OC 笔记 2类的头文件中尽量少引入其他头文件

最近每天晚上都会抽出一点时间看Effective Objective-C这本书,感觉其讲的都非常经典,内容很深入。

Objective-C与C、C++一样,也使用头文件和实现文件来分隔代码。其编写类的方式:以类为文件名,头文件后缀用.h,实现文件后缀用.m。


1 @class

新建一个EOCPerson类(人),一个EOCEmployer类。然后每一个EOCPerson实例需要有一个EOCEmployer,为EOCPerson在头文件中添加属性。

@property (strong ,nonatomic)EOCEmployer *employer;

我们需要导入EOCEmployer类,否则会报错。一般情况下我们都善于这样做:

#import "EOCEmployer.h"

这样会导入EOCEmployer.h文件中的所有内容,包括EOCEmployer.h所导入的其他头文件。这样会增加编译时间,也许现在项目中内容少你感觉不出来,当项目大时你就会感觉到了。


我们赢该尽可能的使用这个方法:

@class EOCEmployer;

这叫做“向前声明”该类,表示我们现在不需要知道该类所有接口,只需告诉编译器引入了这个类就行。真正需要使用的时候(需要知道其全部细节的时候在真正导入)。

//
//  EOCPerson.h

#import <Foundation/Foundation.h>
@class EOCEmployer;
@interface EOCPerson : NSObject

@property (strong ,nonatomic)EOCEmployer *employer;
@end

对于EOCPerson的实现文件需要引入EOCEmployer类的头文件,因为若要使用后者,则必须知道其所有接口细节。

//  EOCPerson.m

#import "EOCPerson.h"
#import "EOCEmployer.h"
@implementation EOCPerson
//method
@end

将引入头文件的时间尽可能延迟,只在确有需要时才引入,这样可以减少类的使用者所需引入的头文件数量。


2 两个类互相引用

假设之前的EOCPerson.h中引入了EOCEmployer.h头文件。此时为EOCEmployer类添加增加和删除雇员的方法。

-(void)addEmployer:(EOCPerson *)person;
-(void)removeEmployer:(EOCPerson *)person;
若要编译EOCEmployer,编译器需要知道EOCPerson这个类,而编译EOCPerson,编译器需要知道EOCEmployer这个类,如果在各自头文件中引入了对方的头文件,则会导致“循环引用”。当解析某一个头文件时,编译器会发现引入了另一个头文件,而那个头文件又回头过来引入第一个头文件,如此造成循环。使用#import虽然不会导致死循环,但意味着两个类有一个无法被正确编译。向前声明则可以解决此问题。


3 必须引入

有时候必须在头文件中引入其他头文件。

  • 该类继承了某个超类,则必须引入定义那个超类的头文件。
  • 该类遵循某协议,也要引入该协议对应的头文件
如果一个类遵循某协议,那么该协议必须有完整定义,且不能使用向前声明。向前声明只是告诉编译器有哪个协议,而此时编译器需要知道该协议中定义的方法,所以需要引入头文件。
鉴于此,最好是把协议单独放在一个头文件中,如果把协议放在某个大文件中,那么引入该协议必然会引入大量其他的数据,如此会向上面说的那样,会产生相互依赖,而且会增加编译时间。

but,有些协议,如“委托协议”,就不用单独声明一个头文件了,这种情况下,协议只有与接收协议委托的类放在一起才用意义。此时最好在实现文件里实现协议,并把实现代码放在“class-continuation分类”里,这样只要在实现文件中引入包含委托协议的头文件即可,而不需将其放在公共头文件中。

4 要点:

  • 除非有必要否则不要引入头文件。一般来说应该在某个类的头文件中使用向前声明类提及别动类,并在实现文件中引入那些类的头文件,这样可以降低类之间的耦合。
  • 有时无法使用向前声明,比如要声明某个类遵循一协议。这种情况,尽量把该类遵循某协议这条声明移至“class-continuation分类”中。如果不行,就把协议单独放在一个文件中,然后将其引入。

本文由http://blog.csdn.net/vnanyesheshou原创,欢迎转载分享。请尊重作者劳动,转载时保留该声明和作者博客链接,谢谢!

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