ios-block补充

我们如果想要在函数中添加一个block参数,我们可以这么做

typedef void (^Block)();

void test(Block block)
{
    block();
}

 Block block1=^{
        NSLog(@"----");
    };
test(block1);//这样就可以了
也可以这么做,就是直接把符合要求的代码段直接写在小括号中

test(^{
    NSLog(@"----");
});

block作为参数的应用,就比如说我们要写排序函数,要求排序函数应该有很多种类型,比如说根据大小进行比较,根据领土面积进行比较。根据人数的多少来进行比较,如果我们有了block作为参数,我们只需要写一个函数就够了,如何比较,我们自己把代码写在block中,然后传入就可以了。就好比字符串比较,用冒泡排序根据字母的顺序来进行排序有用到strcmp(a[i],a[i+1])我们就在这个地方改成我们自己写入的block中的代码.

也就是说当方法的内部需要执行一个功能但是这个功能的具体实现在函数的内部还不确定,我上面说的那种情况就是,这个时候就使用block让调用者自己把这个功能给传入进来。

block变量也可以作为函数的返回值。返回值类型必须用tydepef来定义

Block shuchu()
{
   void (^block1)()=^{
  NSLog(@"-----");
};
 return block1
}
block与函数的相同点是,都封装了一段代码,不同点就是block是一个数据类型,而函数不是。

我们可以声明block类型的变量,而函数不能,block可以作为函数的参数,函数也不能。



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