个人对继承理解

继承的好处:
1.提高了代码的复用性。
2.让类与类之间产生了关系,给多态提供了前提。








java中支持单继承。 不直接支持多继承,但对C++中的多继承机制进行改良。


单继承:一个子类只能有一个直接父类。


多继承:一个子类可以有多个直接父类(java中不允许,进行改良)。
不直接支持,是因为多个父类中有相同成员,会产生调用的不确定性。
在java中是通过“多实现”的方式来体现。


例子:class A{}    class B{}   class C extends A,B{}(多继承)


java支持多层(多重)继承。
例:C继承B,B继承A。
    就会出现继承体系。


当使用一个继承体系时,
1.查看该体系中的顶层类,了解该体系的基本功能。
2.创建体系中的最子类对象,完成功能的使用。


什么时候定义继承呢?


当类与类之间存在着所属关系的时候,就定义继承。  若xx是YY的一种,xxxenxtendsYY


成员变量:
当本类的成员和局部变量同名用this区分
当子父类中的成员变量同名用super区分父类。
this和super的用法很相似。
this:代表一个本类对象的引用。
super:代表一个父类空间。


子类不能直接访问父类中私有内容;若要访问例如下:


class A
{
private int num = 4;
public int getNum(){
return num;
}
}


class B
{
private int num = 5;
void show(){
System.out.println(this.num+"......"+super.getNum());
}
}


成员函数:
当子父类中出现成员函数一模一样的情况,会运行子类的函数
这种现象,称为覆盖操作。这是函数在子父类中的特性。
函数两个属性:
1.重载。同一个类中。overload
2.覆盖。子类中,覆盖也称为重写,复写。override


覆盖注意事项:
1.子类方法覆盖父类方法时,子类权限必须要大于等于父类的权限。(三种权限,1private 2public 3默认 public大于默认权限)
2.静态只能覆盖静态,或被静态覆盖。


什么时候使用覆盖操作?
当对一个类进行子类的扩展时,子类需要保留父类的功能声明。
但是要定义子类中该功能的特有内容时,就使用覆盖操作完成。
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