多态

/*
    多态:
    面向对象的第三大特征。
 定义:某一类事物的多种存在形式。
 简单的说,就是一个对象对应着不同的类型。
 多态在代码中的体现:
     父类或者接口的引用指向其子类的对象。
 多态的好处:
 提高了代码的扩展性,前期定义的代码可以使用后期的内容。
 多态的弊端:
 前期定义的内容不能使用(调用)后期子类的特有内容。
 多态的前提:
     1,必须有关系:继承,实现
  2,要有覆盖。
 注意:对于转型,自始至终都是子类对象在做着类型的变化。

 instanceof:用于判断对象的具体类型。只能用于引用数据类型判断。

*/
public interface Animal
{
 public void eat();
}

public class Dog implements Animal
{
 public void eat(){
  syso("骨头");
 }
}
public class Cat implements Animal
{
 public void eat(){
  syso("鱼");
 }
}
class Test
{
 public static void main(String[] args){
  show(new Dog());
  show(new Cat());
 }

 public static void show(Animai a){
  a.eat();
 }
}

/*
多态时:
成员的特点:
1,成员变量:
   编译时:参考引用型变量所属的类中是否有调用的成员变量,有,就编译通过,没有,编译失败。
   运行时:参考引用型变量所属的类中是否有调用的成员变量,并运行所属类中的成员变量。
   简单说:编译和运行都参考等号的左边。
2,成员函数(非静态)
   编译时:参考引用型变量所属的类中是否有调用的函数,如果有,编译通过,没有的话,编译失败
   运行时:参考的事对象所属的类中是否有调用的函数。
   简单的说:编译看左边,运行看右边。
3,静态函数:
   编译时:参考引用型变量所属的类中的是否有调用的静态方法。
   运行时:参考引用型变量所属的类中的是否有调用的静态方法。
   简单的说:编译和运行都看左边。
   其实对于静态方法,是不需要对象,直接使用类名调用。

*/

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 1
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