Object-C封装,继承,多态

面向对象的三大特点封装、继承、多态

多态学习

封装:隐藏内部实现,稳定外部接口.

多态:父类引用指向于子类对象,产生多态,子类方法覆盖父类方法

注意:多态只作用于方法,对成员属性没有起作用   

封装的实现:

 属性:封装了实例变量

 方法:封装了具体的实现代码

 类:封装了属性和方法

封装的好处:

使用更加的简单 ,变量更加安全,可以隐藏内部实现细节,开发速度加快


Object-C中的一个类可以 继承 另一个类

被继承的类成为 超类(super class)

继承的类称为 子类 (child class)

子类可直接“拥有”父类中所有非私有成员,方法

继承的实现:

在接口中使用符号“:”

super:编译器指示符

可以通过super调用父类中的方法

重写父类方法:

子类可以直接继承父类中的方法

还可以重写(override)父类中的方法

继承特性

1,单根性:一个子类只能有一个超类

2,传递性:如果A是B的子类,B是C的子类,那么A具有C的所有特征


#import "Person.h"

        

        @interface Worker : Person//子类:父类

        

        @end

        

       #import "Person.h"

        

        @interface King : Person

        

        @end

多态:不同对象对同一消息的不同响应.子类可以重写父类的方法

   多态就是允许方法重名 参数或返回值可以是父类型传入或返回


        Worker *worker = [[Worker alloc] init];

        worker.name =@"工人";

        [worker work];

        King *king = [[King alloc]init];

        king.name = @"国王";

        [king work];

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