C++之面向程序设计浅析

1.1什么是面向对象程序设计

面向过程的程序设计思想的核心是功能的分解。将数据结构和过程分离,着重点在过程,设计者首先考虑如何将功能分解,在每一个过程中安排程序的操作序列。缺点之一,当程序的数据结构需要变更的时候,需要修改与之相关的缩影模块,造成了可重用性差,维护代价高。

面向对象程序设计中,着重点在被操作的数据而不是实现这些操作的过程。

程序=对象+消息

基本元素是对象,主要结构特点:1)程序一般由类的定义和类的使用两部分组成,在主程序中定义各对象并规定他们之间传递消息的规律;2)程序中的一切操作都是通过向对象发送消息来实现的,对象接受到消息后,启动有关方法完成相应的操作;3)类由继承关系产生相互之间的关系。

 

1.2对象和类

1.2.1概念

人是一个“类”,类是具有相同的数据和相同的操作的一组对象的集合。

杨也或者刘恩平是一个实实在在的人,是人这个类的一个实例,对象是描述其属性的数据以及对这些数据施加的一组操作封装在一起构成的统一体。对象=属性+方法。可以理解为属性是类中的数据成员,而方法是成员函数。

!类是一种新型的数据结构,只在源程序的代码中出现,并不会在一个正在运行的程序中出现,即类只在编译时存在;而对象作为类的实例在运行的程序中出现,并占有内存空间,程序的计算任务有对象完成。

 

1.2.2对象的交互

一个对象向另一个对象发出的请求被称为消息。

属于一个类的对象具有相同的行为,当某个行为作用在对象时,即对象执行了一个方法。

消息的三个性质:1)同一个对象可以接收不同形式的多个消息,做出不同的响应;2)相同形式的消息可以传递给不同的对象,所作出的响应式可以不同的;3)接收对象对消息的响应并不是必须的,对象可以响应消息当然也可以不响应。

 

1.2.3类的确定和划分

面向对象程序设计的难点:类的确定和划分。按照实际情况合理划分类。

 

1.3数据的抽象和封装

面向对象系统突出特点:抽象与封装、继承和多态。

 

1.3.1现实世界的抽象和封装

封装:录音机有很多的按键,我们通过按键操作录音机,而其内部电路的细节对用户是隐蔽的。

抽象:录音机的使用说明书告诉我们让机器播放或者是停止。抽象出来的是做什么,而不关心怎么去做。

 

1.3.2基本概念

数据的抽象通过对数据实例的分析,抽取其共同性质的的结果。

数据的封装则是隐藏了抽象的内部实现细节的结果。

抽象和封装时互补的,重要的是抽象先于封装。

1)对象具有一个清楚的边界,对象的属性和方法被封装在边界内;

2)具有一个描述该对象与其他对象之间进行交互的接口;

3)对象的内部代码和数据应该受到保护,不被轻易修改。

 

1.3.3对象的特性

1)封装性

2)模块的独立性

3)动态链接性(通过消息机制)

 

1.4继承性

分类:

单继承和多继承(从继承源划分)

取代继承、包含继承、受限继承、特化继承等(内容划分)

类之间继承关系的几个特性:1)类间具有共享特性;2)类间具有差别或者是新增部分3)类间具有层次结构。

继承机制的引入并不影响对象的封装性。

 

1.5多态性

多态性是指不同的对象收到相同的消息时产生多种不同的行为方式。

C++支持两种多态性,编译时多态(通过重载来实现)和运行时多态(通过虚函数来实现)。

重载:函数和运算符重载。

Class a{

Public:

Void print(int i);

Void print(float f);

Void print(const  char *c);

//.....

};

目的:为了更好的表达行为共享,将相似的操作划分在一起

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、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。
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