零基础Objective-C 第三章--------------面向对象编程的基础知识(1)

零基础Objective-C 第三章————–面向对象编程的基础知识(1)

Objective-C是一种面向对象的语言(Object-Oriented Programming),在讨论OOP之前,先来看看OOP的一个关键概念:间接(indirection)。

间接

在代码中通过指针简介获取某个值,而不是直接获取。
1. 变量与间接

#import <Foundation/Foundation.h>

int main(int argc, const char * argv[]) {
    @autoreleasepool {
        NSLog(@"The numbers from 1 to 5:");
        for(int i = 0; i < 5; i++){
            NSLog(@"%d\n",i);
        }
    }
    return 0;
}

输出

2017-06-18 22:03:37.679049+0800 Count_1[1063:72686] The numbers from 1 to 5:
2017-06-18 22:03:37.679176+0800 Count_1[1063:72686] 0
2017-06-18 22:03:37.679187+0800 Count_1[1063:72686] 1
2017-06-18 22:03:37.679193+0800 Count_1[1063:72686] 2
2017-06-18 22:03:37.679198+0800 Count_1[1063:72686] 3
2017-06-18 22:03:37.679203+0800 Count_1[1063:72686] 4
Program ended with exit code: 0

假设现在想要更新这个程序,使其能输出1到10的数字, 那必须修改代码中的所有数字5,我们可以用10全局替换所有的5,然后重新构建这个程序。但如果一个上千行的代码程序中有些数字5并不是和这些有关系,那就必须要很谨慎,然后一个一个去替换。
变量就是用来解决此类问题的。

#import <Foundation/Foundation.h>

int main(int argc, const char * argv[]) {
    @autoreleasepool {
        //int count = 5;
        int count = 10;
        NSLog(@"The numbers from 1 to %d", count);
        for(int i = 0; i < count; i++){
            NSLog(@"%d\n",i);
        }
    }
    return 0;
}

通过添加变量,代码更加简洁了,也容易编辑了

2.使用文件名的间接

#import <Foundation/Foundation.h>

int main(int argc, const char * argv[]) {
    @autoreleasepool {
        const char *words[4] = {"aardvark", "abacus",
            "allude", "zygote"};
        int wordCount = 4;
        for(int i = 0; i < wordCount; i++){
            NSLog(@"%s is %lu characters long", words[i], strlen(words[i]));
        }
    }
    return 0;
}


2017-06-18 22:32:32.886419+0800 Count_1[1272:92025] aardvark is 8 characters long
2017-06-18 22:32:32.886557+0800 Count_1[1272:92025] abacus is 6 characters long
2017-06-18 22:32:32.886569+0800 Count_1[1272:92025] allude is 6 characters long
2017-06-18 22:32:32.886577+0800 Count_1[1272:92025] zygote is 6 characters long
Program ended with exit code: 0

假设现在希望能使用另一组单词还带(如Joe-Bob “Handyman” Brown),那我们必须去编辑源文件,编辑时还要注意标点符号,转义符的使用等等问题;如果将所有的单词放入代码外的某个文本文件中,每一行一个单词,没错,这就是间接。

main.m
int main(int argc, const char * argv[]) {
    @autoreleasepool {
        FILE *wordFile = fopen("/Users/chenxinsi/code/IOS/Count_1/Count_1/File1", "r");
        char word[100];

        while(fgets(word, 100, wordFile)){
        word[strlen(word) - 1] ='\0';
            NSLog(@"%s is %lu characters long", word, strlen(word));

        }

        fclose(wordFile);

    }
    return 0;
}


File1

chenxinsi
zhangsan
lisi
wangwu
jay "xinsi" sa

输出
2017-06-18 23:05:10.241373+0800 Count_1[1428:114888] chenxinsi is 9 characters long
2017-06-18 23:05:10.241521+0800 Count_1[1428:114888] zhangsan is 8 characters long
2017-06-18 23:05:10.241536+0800 Count_1[1428:114888] lisi is 4 characters long
2017-06-18 23:05:10.241547+0800 Count_1[1428:114888] wangwu is 6 characters long
2017-06-18 23:05:10.241557+0800 Count_1[1428:114888] jay "xinsi" sa is 14 characters long
Program ended with exit code: 0

fopen()函数打开晚间以便读取内容
fgets()从文件中读取一行文本并将其放入字符数组word中
fgets()调用会保留每行的换行符,但我们并不需要,我们就用\0替换掉。

  1. 3.
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
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