反射

  • 一切的操作都可以用Object完成
  • //通过Class类获得类名

Class c1 = null;

Class c2= null;

Class c3 = null;

c1 = Class.forName(“cn.test.Person”);//这种最常用

c2 = new Person().getClass();

c3 = Person.class;

System.out.println(c1.getName());

System.out.println(c2.getName());

System.out.println(c3.getName());

  • //通过Class类创建对象(这种创建对象的方式必须要无参构造方法)
    • /*String className= "cn.java.reflect.Person";
      Class ob = Class.forName(className);
      Person p = (Person)ob.newInstance();
      p.setName("haoren");
      p.setAge(20);
      System.out.println(p.getName());
      System.out.println(p.getAge());*/

  • //通过有参数的构造方法来创建对象
<span style="white-space:pre">	</span>/*String className= "cn.java.reflect.Person";
<span style="white-space:pre">	</span>Class ob = Class.forName(className);
<span style="white-space:pre">	</span>Constructor[] cst = ob.getConstructors();
<span style="white-space:pre">	</span>//Person  p = (Person)cst[0].newInstance("huairen");//这里的构造函数的数组是有顺序的,按照参数的个数排序
<span style="white-space:pre">	</span>Person  p = (Person)cst[1].newInstance("huairen",20);
<span style="white-space:pre">	</span>System.out.println(p);*/
  • //取得类的结构

<span style="white-space:pre">	</span>String className= "cn.java.reflect.Person";
	Class ob = Class.forName(className);
	//取得其全部实现的接口
	/*Class[] inter = ob.getInterfaces();
	for(int i=0;i<inter.length;i++){
		System.out.println(inter[i]);
	}*/

	//取得其父类
		Class superClass = ob.getSuperclass();
		System.out.println(superClass);
		//取得全部的构造方法
		/*Constructor[] cs = ob.getConstructors();
		for(int i=0;i<cs.length;i++){
			System.out.println(cs[i]);
		}
		//取出构造方法的形参
		for(int i=0;i<cs.length;i++){
			Class[] pr = cs[i].getParameterTypes();
			
			for(int j=0;j<pr.length;j++){
				System.out.println(pr[j]);
			}
		}
		//取出构造方法的权限
		
		for(int i=0;i<cs.length;i++){
			int md = cs[i].getModifiers();
			//System.out.println(md);
			System.out.println(Modifier.toString(md));//将数字1还原为public
		}
		//取得构造方法名
		System.out.println(cs[0].getName());*/
		//取得全部方法
		Method[] mthd = ob.getMethods();
		/*for(int i=0;i<mthd.length;i++){
			System.out.println(mthd[i]);
		}*/
		//获得方法的形参类型
		/*for(int i=0;i<mthd.length;i++){
			Class[] pa = mthd[i].getParameterTypes();
			for(int j=0;j<pa.length;j++){
				System.out.println(pa[j]);
			}
		}*/
		//获得函数的名字
		/*for(int i=0;i<mthd.length;i++){
			String name = mthd[i].getName();
				System.out.println(name);
		}*/
		
		//获得属性
		/*Field[] f = ob.getDeclaredFields();//file
		for(int i=0;i<f.length;i++){
				System.out.println(f[i]);
		}*/
<span style="white-space:pre">		</span>//通过反射调用类中的方法
		//没有参数的情况
		Method mth = ob.getDeclaredMethod("say");
		mth.invoke(ob.newInstance());
<span style="white-space:pre">		</span>//p.say();

		//有参数的情况
		/*Method mth = ob.getDeclaredMethod("say",String.class,int.class);
		mth.invoke(ob.newInstance(),"张三",80);*/
	//修改属性
	Class<?> c = Class.forName("cn.java.reflect.Person");
<span style="white-space:pre">	</span>Constructor<?>[] cst = c.getConstructors();
<span style="white-space:pre">	</span>Person p = (Person) cst[1].newInstance("土豪",3);
	Field f = c.getDeclaredField("name");
	f.setAccessible(true);
	f.set(p, "wowo");
	System.out.print(f.get(p));

  • 反射的应用
    • 工厂设计模式
    • public class FactoryDemo1 {
      
      
      	public static void main(String[] args) {
      		// TODO Auto-generated method stub
      		//System.out.println("吃苹果"+new Apple().eat());
      		//new Apple().eat();
      		//Factory.produce("苹果").eat();
      	
      		try {
      			Factory.produce("cn.reflect.Apple").eat();
      			Factory.produce("cn.reflect.Banana").eat();
      		} catch (Exception e) {
      			// TODO Auto-generated catch block
      			e.printStackTrace();
      		} 
      		
      	}
      
      
      }
      
      
      class Factory{
      	public static Fruit produce(String name) throws InstantiationException, IllegalAccessException, ClassNotFoundException{
      		return (Fruit) Class.forName(name).newInstance();
      		
      	}
      }
      /*class Factory{
      	public static Fruit produce(String name){
      		if("吃苹果".equals(name)){
      			return new Apple();
      		}
      		if("吃桔子".equals(name)){
      			return new Orange();
      		}
      		if("吃香蕉".equals(name)){
      			return new Banana();
      		}
      		return null;
      		
      	}
      }*/
      
      
      interface Fruit{
      	void eat();
      }
      
      
      class Apple implements Fruit{
      
      
      	@Override
      	public void eat() {
      		System.out.println("吃苹果");
      		
      	}
      	
      	
      }
      
      
      class Orange implements Fruit{
      
      
      	@Override
      	public void eat() {
      		// TODO Auto-generated method stub
      		System.out.println("吃桔子");
      		
      	}
      	
      }
      class Banana implements Fruit{
      	
      	@Override
      	public void eat() {
      		// TODO Auto-generated method stub
      		System.out.println("吃香蕉");
      		
      	}
      	
      }


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。
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。
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