.NET API审查第二部分

本文是对于1月14日所进行的.NET API审查会议的分析的第二部分。这篇报告中涵盖了HashSet、RegEx、Process.Start、Immutable collections和BitVector32等API的相关讨论。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#382:为HashSet\u0026lt;T\u0026gt;添加一个新的构造函数,可以在其中指定数据结构的初始大小

\u0026#xD;\n\u0026#xD;\n

这一条意见毫无争议地通过了,只是让人有些疑惑的是,为什么原始版本中竟然会不支持这一特性。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#304:正则功能应当提供一个校验方法

\u0026#xD;\n\u0026#xD;\n

目前,RegEx解析器采取了一种快速失败的方法。这就意味着,如果在某个正则表达式字符串中存在多个错误,解析器只会报告第一个错误的存在,并且会立即中断解析过程。

\u0026#xD;\n\u0026#xD;\n

这一建议的关键就在于希望获取更多的信息。在理想的情况下,解析器应当返回一个错误集合,以显示正则表达式中的所有问题。但这就需要解析器尝试从错误中进行恢复,继续解析之后的表达式内容,并寻找其它错误。

\u0026#xD;\n\u0026#xD;\n

对此建议的一个顾虑在于,如果接受了这一建议。接下来就会有人提出进一步的要求,例如自定义高亮、代码自动完成等等,以便在Roslyn中进行使用。而这种要求已经远远超出API的范围了,因此评审团队担心,一旦接受了这一建议,迟早都会需要一个新的API。

\u0026#xD;\n\u0026#xD;\n

结论:分别讨论两组建议。

\u0026#xD;\n\u0026#xD;\n

一个建议是在RegEx在解析过程中出错时,对RegEx抛出的异常信息加以改善。这里只会包含一些基本信息,例如第一个错误的具体位置,前提是这种方式不会让代码产生太多重写要求。

\u0026#xD;\n\u0026#xD;\n

第二个建议是,是否应该添加对应的TryParse方法。

\u0026#xD;\n\u0026#xD;\n

RegEx API并不会扩展到这种可以支持IDE的程度。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#311:重新引入Console.CancelKeyPress方法

\u0026#xD;\n\u0026#xD;\n

这一条建议本身非常简单,就是重新引入这个存在于Windows桌面版的.NET中的方法,并将其扩展至跨平台版本的.NET中。不考虑兼容性问题的话,那就是简单地从原始版本中进行拷贝粘贴而已。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#306:为Process.Start方法增加一个选项,以改变句柄的继承

\u0026#xD;\n\u0026#xD;\n

表面上看,这个问题十分简单。在Windows中,句柄可以在子进程中继承,这可能会导致预料之外的问题,例如Notepad可能会持续保持一个打开的TCP socket,即使在父应用尝试关闭它之后。这个新的参数则能够让用户选择不继承句柄。

\u0026#xD;\n\u0026#xD;\n

问题在于,这种处理在Linux环境下毫无意义。在Windows下创建子进程会使用一个全局的配置,而Linux则允许在创建句柄时指定每个句柄是否能够被继承。

\u0026#xD;\n\u0026#xD;\n

一种建议是为句柄继承提供一个三态的属性:操作系统默认、继承句柄,以及不继承句柄。

\u0026#xD;\n\u0026#xD;\n

另一种建议是创建一个基础版本的ProcessStartInfo方法,并且只提供跨平台的选项。然后通过创建子类的方法实现Linux、Win32和Windows Shell Execute的特定功能。

\u0026#xD;\n\u0026#xD;\n

结论:提供一个新的属性,其类型为现有的HandleInheritability枚举,其中包含两个状态值。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#318:对ImmutableInterlocked.ApplyChange API的建议

\u0026#xD;\n\u0026#xD;\n

要确保对一个可变集合的变更是线程安全的,你必须获得对该集合的一个引用,创建一个替代的列表,并尝试调用Interlocked.CompareExchange来决定是否能够成功地替换原始列表。如果另一个线程在同一时间要覆盖该集合,该方法会返回false,你必须重新启动该过程以再次尝试。

\u0026#xD;\n\u0026#xD;\n

ImmutableInterlocked能够简化一些基础操作的过程,例如添加或移除集合的项。你仍然需要在循环中使用它,但可以避免对本地变量的处理。

\u0026#xD;\n\u0026#xD;\n

下一个建议是增加一个相应的泛型实现,其中可以接受一个lambda表达式进行某些操作。从技术上来说,这个泛型实现会使其它实现方式都变成多余的了,但既然那些实现已经发布,也不可能删除它们了。

\u0026#xD;\n\u0026#xD;\n

结论:决定添加这个新方法。

\u0026#xD;\n\u0026#xD;\n

有一个问题是,是否要将那些多余的方法标记为过期。

\u0026#xD;\n\u0026#xD;\n

结论:由于那些多余的方法依然可以正常工作,因此不应该标记为过期。

\u0026#xD;\n\u0026#xD;\n

[视频] GitHub Issue#373:BitVector32应当实现IEquatable\u0026lt;T\u0026gt;接口

\u0026#xD;\n\u0026#xD;\n

BitVector32能够以一个比特和小整数数组的形式表现一个整数值。该类型存在于System.Collections.Specialiazed命名空间中,这个命名空间通常被基础类库团队当作遗留代码,没人敢去动其中的内容。

\u0026#xD;\n\u0026#xD;\n

与之相关的一个问题是BitArray类,如果不把BitVector32当作遗留代码处理,那么它就应当和BitArray中的功能相一致。

\u0026#xD;\n\u0026#xD;\n

对于该提议尚未得出任何结论,稍后将会再次对此展开讨论。

\u0026#xD;\n\u0026#xD;\n

查看英文原文:.NET API Review Part 2

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