iOS-修改项目中的警告

1、@synthesize

@property是声明属性的语法,可以快速为实例变量创建存取器accessor。
创建的方法有以下两种:
(1)使用get/set方法创建

@interface Student : NSObject
{
    // 实例变量
    NSString *name;
    NSString *id;
}
//getter、setter

//使用
[Student setName:@"Hello"];
NSLog(@"Hello "%@"",[Student name]);

(2)使用@property创建
不用单独声明实例变量,没有提供声明则系统自动生成实例变量,当重写setter和getter,系统会报错,因为找不到实例变量,解决方法是在.m文件中使用@synthesize

@synthesize name = _name;
// setter
- (void)setName:(NSString *)name
{
    _name = name;
}

// getter
- (NSString *)name
{
    return _name;
}

属性的本质是由成员变量+setter+getter组成的

需要注意的是@syntjesize和@dynamic

@synthesize是指当没有为成员变量添加setter和getter时,编译器会自动添加。
@dynamic可以阻止@synthesize自动生成新的setter和getter,告诉编译器由用户自己实现。

如果也没有写dynamic,那么编译器会默认添加

@synthesize property = _property; 
//这里的_property是编译器默认为我们添加成员变量。

如果同时重写了sstter和getter,则.m中需要使用@synthesize

这样就可以直接进行赋值操作。在@synthesize中定义与变量名不同的setter和getter命名,可以保护变量。

素材来自于好雨知时节浩宇的简书

假如property名为foo,存在一个名为_foo的实例变量,那么还会自动合成新变量么?答案:不会。
我们简单分析下:
首先:添加了foo 属性后,编译器会为我们自动添加:@synthesize foo = _foo;
其次:添加了@synthesize foo = _foo; 后,会检查是否存在名为_foo变量,如果不存在则会自动合成一个新的成员变量,而如果存在则不会继续添加。所以如果类中已经有一个_foo变量,编译器就不会再添加同名成员变量。

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

打赏作者

Αиcíеиτеǎг

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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