面向对象中的多态(落实代码)

背景

我们学习总是欺骗自己,写了笔记就以为自己会了,都是假学习。所以再次学习一下多态,并且落实在代码上。

概念

多态指为不同数据类型的实体提供统一的接口。 同一操作作用于不同的对象,可以有不同的解释产生不同的执行结果。
那这两句话怎么解释呢?
第一句:同一操作作用于不同的对象。
解释:接口是oper,不同数据类型的实体是OperationAdd、OperationSub、OperationMul、OperationDiv
在这里插入图片描述
第二句:同一操作作用于不同的对象,可以有不同的解释产生不同的执行结果。
在这里插入图片描述
在这里插入图片描述
同一操作是都调用了CreateOpertion()方法,不同对象是传给CreateOpertion是加法对象 和减法对象,不同的执行结果,第二张图中Getresult()返回的值不一样。

面向对象中的多态

在面向对象编程中,多态是一种重要的概念,它允许不同类型的对象对同一消息做出不同的响应。多态性能够提高代码的灵活性和可扩展性,使得程序更易于维护和扩展。本文将介绍多态的概念,并提供一些代码示例来说明。

1. 多态的概念

多态是指同一个方法调用可以根据对象的不同类型而具有不同的行为。在多态中,父类的引用变量可以引用子类的对象,通过父类引用调用的方法会根据实际对象的类型来执行相应的实现。

多态具有以下特点:

  • 对象的多态性是在运行时确定的,而不是在编译时确定的。
  • 多态性只适用于方法,而不适用于属性。

2. 多态的实现

要实现多态,需要满足以下条件:

  • 存在继承或实现关系。
  • 存在父类或接口类型的引用变量。
  • 子类或实现类重写了父类或接口中的方法。

以下是一个简化的代码示例:

// 父类
class Animal {
    public void makeSound() {
        System.out.println("Animal makes sound");
    }
}

// 子类
class Cat extends Animal {
    @Override
    public void makeSound() {
        System.out.println("Cat meows");
    }
}

// 子类
class Dog extends Animal {
    @Override
    public void makeSound() {
        System.out.println("Dog barks");
    }
}

// 测试类
public class PolymorphismExample {
    public static void main(String[] args) {
        Animal animal1 = new Cat();
        Animal animal2 = new Dog();

        animal1.makeSound(); // 输出 "Cat meows"
        animal2.makeSound(); // 输出 "Dog barks"
    }
}

在上述示例中,Animal 是父类,CatDog 是子类。通过父类引用变量 animal1animal2,我们可以分别创建 CatDog 对象,并调用它们的 makeSound() 方法。由于方法被重写,所以根据对象的实际类型,方法会有不同的行为。

3. 多态的优势

多态性在面向对象编程中有以下优势:

  • 灵活性:通过多态,可以在运行时决定具体使用哪个子类的实现,从而提供更大的灵活性和可扩展性。
  • 代码复用:通过使用父类引用变量,可以在不修改现有代码的情况下添加新的子类实现。
  • 可替换性:由于多态性,可以将子类对象替换成父类对象,从而使得代码更通用和可维护。

4. 多态的应用

多态性在实际编程中有广泛的应用,例如:

  • 在面向对象设计中,利用多态可以实现开闭原则,即可以在不修改现有代码的情况下扩展系统的功能。
  • 在框架和接口设计中,多态性使得代码更具通用性和可扩展性,能够适应不同的需求和场景。
  • 在面向对象的设计模式中,多态性是许多模式的基础,如策略模式、工厂模式等。

通过充分理解和应用多态性,可以提高代码的可维护性和可扩展性,同时使得程序更加灵活和易于理解。在实际开发中,需要根据具体需求和场景来灵活运用多态的特性。

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

江 流 儿

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