面向对象_猫狗案例分析

53 篇文章 0 订阅
46 篇文章 0 订阅
/*
	猫狗案例:
		
		先找到具体事物,然后发现具体事物有共性,才提取一个父类
		
		猫:
			成员变量:姓名,年龄,颜色
			构造方法:无参,带参
			成员方法:
				getXxx()/setXxx()
				eat()
				playGame()
		狗:
			成员变量:姓名,年龄,颜色
			构造方法:无参,带参
			成员方法:
				getXxx()/setXxx()
				eat()
				lookDoor()
		共性:
			成员变量:姓名,年龄,颜色
			构造方法:无参,带参
			成员方法:
				getXxx()/setXxx()
				eat()
		
		把共性定义到一个类中,这个类的名字叫:动物。
		动物类:
			成员变量:姓名,年龄,颜色
			构造方法:无参,带参
			成员方法:
				getXxx()/setXxx()
				eat()
			
			猫:
				构造方法:无参,带参
				成员方法:playGame()
			狗:
				构造方法:无参,带参
				成员方法:lookDoor()
*/
//定义动物类
class Animal{
	
}

class ExtendsTest5{
	public static void main(String[] args){
		
	}
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一个简单的大战代码示例: ```python import os import cv2 import numpy as np from sklearn.model_selection import train_test_split from keras.models import Sequential from keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense # 定义数据路径和图像大小 path = 'data/' img_size = 64 # 读取图像并将其转换为灰度图像 def read_img(path): img = cv2.imread(path, cv2.IMREAD_GRAYSCALE) return cv2.resize(img, (img_size, img_size)).flatten() # 读取数据集 def load_data(): data = [] labels = [] # 读取的图像 for folder in os.listdir(path): folder_path = os.path.join(path, folder) for img in os.listdir(folder_path): img_path = os.path.join(folder_path, img) data.append(read_img(img_path)) if folder == 'cat': labels.append(0) else: labels.append(1) return data, labels # 加载数据集 data, labels = load_data() # 将数据集分为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(data, labels, test_size=0.2, random_state=42) # 将数据集转换为numpy数组 X_train = np.array(X_train) X_test = np.array(X_test) y_train = np.array(y_train) y_test = np.array(y_test) # 将像素值缩放到0和1之间 X_train = X_train / 255.0 X_test = X_test / 255.0 # 定义模型 model = Sequential() model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(img_size, img_size, 1))) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(64, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Conv2D(128, (3, 3), activation='relu')) model.add(MaxPooling2D((2, 2))) model.add(Flatten()) model.add(Dense(128, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 训练模型 model.fit(X_train.reshape(-1, img_size, img_size, 1), y_train, epochs=20, batch_size=32, validation_data=(X_test.reshape(-1, img_size, img_size, 1), y_test)) # 评估模型 loss, accuracy = model.evaluate(X_test.reshape(-1, img_size, img_size, 1), y_test) print('Test loss:', loss) print('Test accuracy:', accuracy) ``` 这个代码示例使用了一个简单的卷积神经网络来训练大战数据集。首先,它读取图像,并将其转换为灰度图像。然后,它将数据集分为训练集和测试集,并将像素值缩放到0和1之间。接下来,它定义了一个卷积神经网络模型,并使用Adam优化器和二元交叉熵损失函数对其进行编译。最后,它训练模型,并评估其性能。
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