文章标题

组合和继承

本文是我读 think in java后做的一些记录,一些术语是以该书上的为标准:

组合和继承都能从现有类型生成新类型.
组合一般是将现有类型作为新类型的底层实现的一部分加以复用,而继承复用的是接口

组合,继承,代理(介于组合和继承之间)
1. 在面向对象的编程的过程中,我们生成和程序代码最有可能采用的方法是将数据和方法封装进一个类中,并使用类的对象
2. 也可以使用组合技术使用现有类来开发新的类,继承技术应当慎用,一个最清晰的判断是:是否需要从新类向上基类向上转型
3. 我真的需要向上转型嘛?—-组合和继承的区别

初始化和类的加载

  1. 在许多的传统语言中,程序是作为启动过程的一部分被加载的.然后是初始化,接着程序运行
  2. java中采取了与传统语言不同的加载方式,在java中所有的事物是对象.
  3. java中每个类的编译代码存在于他自己的独立文件中.
  4. 该文件只在需要使用程序代码时才会被加载,也可以说”类的代码在初次使用时才会被加载“—->这通常指加载发生于创建类的第一个对象时,但是当访问static域或static方法时,也会加载
  5. 初次使用之处也是static初始化发生之处.所有的static对象和static代码都会在加载时依据程序中的顺序(即:定义类时的书写顺序)而依次初始化
  6. 当然定义为static的东西只会被初始化一次

类的初始化

此处我们通过一个例子来介绍类的初始化过程

class Insect {
    private int i = 9;
    protected int j;

    Insect() {
        print("i = " + i + ", j = " + j);
        j = 39;
    }

    static {
        System.out.println("Insect static");
    }
    private static int x1 = printInit("static Insect.x1 initialized");

    static int printInit(String s) {
        print(s);
        return 47;
    }
}

public class Beetle extends Insect {
    private int k = printInit("Beetle.k initialized");

    public Beetle() {
        print("k = " + k);
        print("j = " + j);
    }

    private static int x2 = printInit("static Beetle.x2 initialized");

    public static void main(String[] args) {
        print("Beetle constructor");
        Beetle b = new Beetle();
    }
}
  • 首先程序从Beetle的main方法进入程序,于是类加载器开始启动并加载Beetle类的编译代码(Beetle.class的字节码文件),加载的同时也会加载该类的所有基类(由extends关键字可知).
  • 如果基类也存在基类,也会加载.加载基类时加载器也会同上一样,不管你是否创建基类的对象
  • 接下来进行的是static域的初始化(记住:static域在类加载的过程中已经进行了初始化),首先从根基类开始,依次次向下,直到最后一个导出类.这样加载的原因是因为:导出类的加载可能会依赖于基类的成员能否被正确初始化.

  • 至此为止,所有的类已经加载完毕就可以创建对象了:

    • 首先将对象中所有的基本类型初始化为默认值,引用设为null(通过将对象的内存设为二进制零值)
    • 然后基类的构造器会被调用,先初始化成员变量,再执行构造器中的代码,
      直到最后的导出类
      类的加载只执行一次.

Loading the class initializes the static variables. The base class
loads first, then the next-derived class, and finally the most-derived class. This creates the object and initializes the non-static members,also starting at the root class.
Remember, a constructor is a static method, even though you don’t define it using the static keyword.

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