Scala-01:函数定义、流程控制、异常处理

一、字段/变量的定义

Scala中使用 var/val 变量/不变量名称 : 类型的方式进行定义,例如:

object ScalaBasics { 
  def main(args:Array[String]):Unit={
    var firstNumber : Int = 1
    val secondNumber : Int = 2  
  }
}

其中var 与 val 的区别在于,var 是变量,以后的值还可以改变, val的值只能在声明的时候赋值,但是val不是常量,只能说是不变量或只读变量;

大家肯定会觉得这种 var/val 名称 : 类型的声明方式太过于繁琐了,嗯,Scala作者也想到了,所以你在声明字段的时候,可以使用编译器自动推断类型,即不用写 : 类型,例如:

object ScalaBasics { 
  def main(args:Array[String]):Unit={
    var firstNumber = 1
    val secondNumber = 2  
  }
}

二、Scala函数定义:

scala函数定义时候默认会导入包)

函数格式:

def 函数名(参数列表,...):返回结果类型={},下面给出一个big函数
def big(a: Int,b: Int):Int = {
if(a > b) 
  a
else 
  b
}
var maxValue = big(2,5)
println("big(2, 5) the bigger maxValue is :" + maxValue )
println("big(6, 10) the max is :" + big(6,10) )

返回结果是较大的值

big(2, 5) the max maxValue is :5
big(6, 10) the max is :10

① 有时函数必须制定返回结果类型,如函数时递归,就必须明确制定返回结果类型;

② 如果函数仅 一个语句,连花括号都可以不写。如是big函数就成了这样,作用功能仍然没有变化;

def big(a: Int,b: Int) = {
if(a > b) 
  a
else 
  b
}

③ 如果函数仅 一个语句,连花括号都可以不写。如是max函数就成了这样,作用功能仍然没有变化

def big(a: Int,b: Int) = if(a > b)  a else  b

④ Scala语言在编写的时候亦可以不用加“;”

流程控制:

⑤ dowhile循环  Scala中,i++或者++i都不能其作用,只能使用i=i+1

  def doWhile(): Unit = { 
    var line=""
    do{
      line=readLine()
      println("Read:"+line)
      
    }while (line!="") 
  }

⑥ foreach与函数字面量

函数字面量格式:参数列表 => 函数体

(x: Int, y:Int) => x + y

⑦ for循环中是val类型,因此在for表达式中不能重新对其赋值, <-可以理解为其中的意思for(arg <- args)

for(i<-1 to 10){
  println("Number is:"+i)
}

注:Scala 三元符表达示例:

var file=if!args.isEmptyargs(0) else Scala.xml

三、异常处理

Scala的异常的工作像许多其他语言,如Java异常。而不是正常方式返回的值,方法可以通过抛出一个异常终止。然而,Scala实际上并没有检查异常。

当要处理异常,那么可使用try{...}catch{...} 块,就像在Java中除了catch块采用匹配识别和处理异常。

抛出异常:

抛出一个异常看起来类似于Java。创建一个异常对象,然后使用throw关键字把它抛出:

throw new IllegalArgumentException

捕获异常:

如果不需要使用捕获的异常对象,使用_来代替变量名(_Scala中的通配符)同时也有try/finally语句,通常用来清理。可以组合成try/catch/finally语句

抛出一个异常看起来类似于Java。创建一个异常对象,然后使用throw关键字把它抛出


Scala中try/catch在一个单独的块捕捉任何异常,然后使用case块进行模式匹配,如下:

 val n = 99
    try {
        val half = if(n % 2 == 0) n/2 else throw
             new RuntimeException("N must be event")
    } catch {
      case e: Exception => println("The exception is :" + e.getMessage) 
    }

捕捉异常:ry/catch在一个单独的块捕捉任何异常,然后使用case块进行模式匹配。

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