《GO》第二章 顺序编程

第二章

2.1 变量

  1. 声明
    1. 示例:var v1 int
      关键字:var 变量名:v1 变量类型:int
  2. 初始化
    1. var v1 int = 10(var v1 int 这是声明; = 10这是初始化)
    2. var v2 = 10(编译器自动推导数据类型为int)
    3. v3 := 10(利用 := 表示声明和初始化一步完成),注意:出现在 := 左边的变量不能是已经被声明过的
  3. 赋值
    1. var v1 int
      v1 = 10
    2. 其余与别的语言基本一致
    3. 多重赋值
      1. i, j = j, i//一行代码实现两个变量交换
  4. 匿名变量
    1. 使得代码的阅读性更好
    2. _, _, nickName := Getname()//只关注了小名,就可以用匿名变量 _ 来忽略不关注的变量

2.2 常量

  1. 字面常量
    无类型的,可以赋值给任何合适的变量,可以和任何类型比较
  2. 常量定义
    const Pi float64 = 3.1415
    const zero = 0.0
    const( size int64 = 1024 eof = -1 )
    const mask = 1 << 3//正确,1<<3实在编译器运算的
    const Home = os.GetEnv("Home")//错误, os.GetEnv(“Home”)是在运行期才知道结果的
    常量的赋值是一个编译期行为,右值不能出现任何运行期才能得出结果的表达式
  3. 预定义变量
    1. iota
      在每个const关键字出现时重置为0,之后没出现一次iota就自增1,知道下一次const关键词的出现再次重置为0
    2. true
    3. false
  4. 枚举
    1. 不支持enum
    2. const( Sunday = iota Monday Tuesday Wednesday Thursday Friday Saturday numberOfDays )
    3. 大写字母开头的常量在包外可见,小写字母为包内私有。

2.3 类型

基础类型:布尔、整形、浮点、复数、字符串、字符类型、错误类型
复合类型:指针、数组、切片、字典、通道、结构体、接口

  1. 布尔
    1. 不能用0,1给bool类型的变量赋值
    2. 可以用判断表达式给bool类型的变量赋值
  2. 整形
    1. int 和 int32不是同一种类型,不能直接赋值(可以通过强制转换)
    2. 运算(数值运算、比较运算、位运算(取反:^x))
  3. 浮点型
    1. float32和C中的float等价
    2. float64和C中的double等价
    3. 浮点数的比较需要调用math包中的Abs()函数
      import "math"
      func IsEqual(f1, f2, p float64) bool{
      return math.Abs(f1-f2)<p
      }
  4. 复数类型
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