《代码整洁之道》读书笔记

     因为本人是一个小菜鸟,所以需要在很多地方下功夫,最近突然发现自己的代码规范还是差很多,没有系统的去学习代码规范的相关东西,所以打算补一下这方面的缺陷,毕竟不管是工作多少年的人,在这方面大多人都很难拥有一个良好的编程风格和代码规范。在此记录下读书过程中摘抄的一些笔记,方便以后的查阅。
1、勒布朗法则:稍后等于永不!

    所以,不要想着留着以后去做,因为以后永远都不会去做了,最好是一开始就做好。
2、整洁的代码只做好一件事。
3、代码“优雅”至关重要。
4、代码中最好不要使用硬编码数字,这些数字最好是用const常量表示,且要见名识义。但是变量初始化为0这些就用数字即可。
5、有意义的命名
(1)名副其实:如果名称需要注释来补充说明,那就不算名副其实;
(2)避免误导;
(3)类名和对象名应当是名词或者名词短语,类名不应当是动词。
(4)方法名应当是动词或动词短语。
6、函数:
(1)函数的第一规则是要短小。函数越短小越简单,逻辑越简单明了越好。
(2)函数应该只做一件事。
(3)函数名称最好使用描述性的名称,最好能描述函数所做的事情。函数越短小,功能越集中,越便于取个好名字。
(4)函数参数:最理想的参数数量是0。

    1)标识参数:

注意:如果函数可能需要3个以上的参数,那就说明其中一些参数应该封装成类了。
      2)参数的顺序:
      参数的顺序也是值得考虑的一件事,最好可以让人很容易记住函数参数都有哪些,比如下面例子:

     3)无副作用:

    4)使用异常替代返回错误码或者打印错误日志
    5)抽离try/catch代码块

   6)Error.java依赖磁铁

7、注释
     如果你发现自己需要写注释,那么就需要想想看,能否用代码来表示,其实最好的注释就是代码。能用代码来表示的时候最好不要写注释,因为程序员不能坚持维护注释。
     如果需要写注释,我感觉主要还是函数或者变量的命名不够好。
下面几种情况可以写注释:
1)警示
      警告程序员这块代码会出现某种后果的注释。
2)TODO注释
      TODO是一种程序员认为应当做,但由于某些原因目前还没有做的工作。
8、格式
    先明确一下,代码格式很重要,代码格式关乎沟通,而沟通是专业开发者的头等大事。
1)垂直格式
      类似于报纸,从上到下阅读,简单且有条理。代码中空白行隔开了概念,靠近的代码则暗示了它们之间紧密的关系。
      (1) 变量声明尽可能靠近其使用位置。
      (2)如果某个函数调用了另一个函数,就应该把他们放在一起。被调用函数应该放在执行调用函数的下面。即建立自顶向下贯穿源代码模块的良好信息流。
2)横向格式
9、对象和数据结构
      将变量设置为私有,是不想让别人依赖和看到这些变量。
10、类
     类应该短小
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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