Java面向对象之内部类

内部类:在一个类中声明一个类
1.类中套类,外面一层称为Outer,里面一层称为Inner
2.内部类通常只服务于外部类,对外不可见
3.内部类对象只在外部类中创建
4.内部类中可以直接访问外部类的成员(包括private)
内部类对象中有一个隐式的引用指向了创建它的外部类对象,默认有个Outer.this.来调用成员
5.加载时生成独立的.class文件,系统自动命名为Inner$Outer.class

public class InnerDemo{
	public static void main(String[] args){
		Outer out = new Outer();
//		Inner in  = new Inner();//不能创建Inner对象
	}
}

//Outer
class Outer{
	private String name;
		
	//能在外部类中创建内部类对象
	Inner createInner(){
		return new Inner();
	}
		
	//Inner
	calss Inner{
		void getName(){
		System.out.println(name);//直接调用外部类成员,默认有个Outer.this.
		System.out.println(Outer.this.name);
		}
	}
}


匿名内部类:也是在一个类中声明,不必命名
1.想创建一个类的对象,并且该类只被创建一次对象时,用匿名内部类
(也有.class文件,命名为Outer$数字.class)
2.匿名内部类在代码中不体现,是声明类的子类
3.匿名内部类中若想访问外部的数据,则该数据必须被final修饰

public class NstClassDemo{
public static void main(String[] args){
    // Inter1 o1 = new Inter1();//接口不能被实例化

    Inter1 o2 = new Inter2(){};//使用匿名内部类,创建Inter1的实现类(子类)的对象
    
    final int num = 2;
    Inter2 o3 = new Inter2(){
        @Override
        public void show(){  //Inter2接口有抽象方法,故需要重写
            System.out.println(num); //访问的数据必须是final的
        }
    };
    o3.show(); //重写看对象,调用的是匿名内部类的show()方法
    }
}

interface Inter1{}

interface Inter2{
    void show();
}

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,它是由多个组成的网络结构,包括输入、隐藏和输出。每个由多个神经元组成,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,信息从输入流向隐藏,最终到达输出。 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