Coursera - Programming Language - 课程笔记 - Week 4

本周的课程重点介绍了函数式编程的关键概念,如一级函数、多型类型、匿名函数和闭包。讲解了如何利用高阶函数如map和filter进行数据处理,强调了词法作用域和闭包在函数式编程中的重要性。此外,讨论了柯里化、部分应用和可异变引用的概念,以及它们在实际编程中的应用。
摘要由CSDN通过智能技术生成

Week 4

一级函数 First-Class Functions

  • 函数式编程的意义:
    • 在绝大多数情况下避免异变的发生
    • 将函数视为一种值来使用
    • 鼓励递归的代码风格以及递归的数据结构
    • 接近数学定义的代码风格
    • 使用“懒汉方式”编程
  • 函数式语言,没有确切定义,可以认为是一切简化函数式编程的语言
  • 一级函数:可以被当作值使用的函数
    • 函数也可以作为值,并视其为值用于各种场景
    • 大多数的使用情况是作为另外一个函数的参数或者结果
    • 上述情况下,使用一级函数的函数称为高阶函数,是一种分解常规函数的有效方法
  • 函数闭包:能够使用函数定义外部绑定的函数

函数作为参数 Functions as Arguments

  • 将函数作为另一个函数的参数,并在后面这个函数的函数体中被调用
  • 可以是一种比较优雅的策略,将多个类似的实现的公共部分提取出来,只需要指定参数,就可以一次调用可以获取不同的实现

多型类型 Polymorphic Types

  • 高阶函数通常十分泛化和重用性以至于其具有多型类型
  • 但是有一些高阶函数是不多型的
  • 同时,存在一些一阶函数是多型的
  • 当完成一个函数的声明时,应当仔细思考其类型(参数类型)

匿名函数 Anonymous Functions

  • 一种不使用fun进行绑定的函数定义
  • 简化思路:我们只需要一个函数的逻辑,并不需要对他进行额外绑定,只要确保我们用它的时候出现即可
  • 函数表达式,定义了一个函数,但是不是绑定,只是一个表达式,其评估值为函数
  • fn arg => body
  • 这个表达式中的函数内容没有名字(因为没有发生绑定)
  • 这样,我们就可以在只需要作为参数的函数的使用上采用这种表达式方式(高阶函数的参数)
  • 但是对于一个递归函数,则不能使用匿名函数
  • 如果没有递归的问题,那么函数绑定实际上使变量绑定和fn表达式的语法糖,即fun name arg = body可以写作val var = fn arg => body

不必要的

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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