(四)Java入门---多态


一、多态概念

一个对象对应着不同的类型。比如,猫这类事物既具备着猫的形态,又具备着动物的形态。

二、代码体现

父类或者接口的引用指向子类的对象。(一种对象两种形态,子类和父类的形态)

三、多态的理解

多态存在为了什么呢?简单的例子,有一个方法,就是动物吃饭的方法,多态的存在,就可以让只要是动物,就可以调用,比如猫、狗等,就不需要单独去制作猫吃饭的方法,所以,提高了代码的扩展性。(比如后来有个猪,也可以直接去调用动物的吃饭方法,更新使用美滋滋)。

四、使用前提

(1)有关系,继承或实现(2)要有覆盖

五、上下转型

1、向上转型
前期定义的内容不能调用后期子类的特有内容。(对于猫来说,相当于把猫类型提升到动物类型(向上转型),所以,只能使用动物所有的方法(吃),不能再去用猫的其他特有的方法。(抓老鼠),向上转型限制功能。)转型之后,只能使用子类和父类共有的方法,那就是父类的方法了。
2、向下转型
向上转型之后,如果想要实现子类的特有功能,可以实现向下转型(把猫从动物类中转型为原来的子类猫)。转型之后,不仅能使用父类的方法,还能使用自己特有的方法。
3、本质
本质上在程序中只有一个子类对象,子类向上转型成父类,子类从父类向下转型成子类。

六、多态中成员情况

1、多态中的成员变量
简单说,都参考左边的类型。(变量又没有覆盖,该是谁的就是谁的)。
2、多态中成员函数(非静态)
简单说,编译看左边引用变量,运行看右边的对象。
3、多态中静态函数
静态函数相当于一个类,不需要实例对象,可以直接调用,静态方法就是固定绑定在所属类中。

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