第五节 多态性

同一个消息被不同对象接收时,产生不同的结果。即采用不同方法实现同一接口。

 

联编

使一个源程序经过编译,连接,成为可执行文件的过程

 

静态联编

在程序运行之前就完成的联编

系统在编译时就知道调用函数的全部信息

函数调用速度快,效率高

 

动态联编

在程序运行时才能完成的联编

知道程序运行时才能确定调用哪个函数

灵活性,问题抽象性和程序易维护性

 

赋值兼容

在需要基类对象的任何地方,都可以使用共有派生类的对象来代替

Base b;Derived d; b=d;

Derived d; Base &br = d;

Derived d; Base *bptr = &d;

Derived *dptr; Base *bptr = dptr;

 

((Derived*)bpt)->print2();  //基类指针要强制转换才能访问派生类熟悉

 

虚函数

冠以关键字virtual的成员函数

如果在基类中定义了一个虚函数,该虚函数可以在它的一个或多个派生类中重载,不用冠以virtual也自动成为虚函数

 

 

运行时的多态(动态联编支持)

通过继承和虚函数来实现

 

->在基类,定义派生类所拥有的通用接口

->在派生类,定义具体的实现方法

->实现运行时的多态性

在程序中使用基类指针调用,知道程序运行时,系统才能确定调用哪一个函数

 

class base{

public;

  virtual void show();

};

class de:public base

{

  void show()

  {

    cout<<de<<endl;

  }

};

 

 

eg:

class base{

protected:

  double x,y;

public:

  base(double a, double b)

  {

x = a;

y = b;

  }

  ~base();

  virtual void show()

  {

    cout<<base show<<endl;

  }

};

class de1:public base{

public:

  de1(double a, double b):base(a,b)

  {}

  ~de1();

  void show()

  {

    cout<<de1 show<<endl;

  }

};

class de2:public base{

public:

  de2(double a, double b):base(a,b)

  {}

  ~de2();

  void show()

  {

    cout<<de2 show<<endl;

  }

};

main()

{

  base* pb;

  de1 d1(22,22);

  de2 d2(22,22);

  pb = &d1;

  pb->show();

  pb = &d2;

  pb->show();

  return ();

}

 

 

纯虚函数(有一个或多个虚函数的类叫抽象类,抽象类不能实例化)

virtual type func_name(参数表)=0;

基类仅表示一种抽象的概念,并不与具体的事物相联系。

这样的虚函数在基类中没有定义

#include<iostream>

class shape(){

public:

  virtual void draw()=0;

  virtual void rotateshape()=0;

};

class circle():public shape{

  int radius

public:

  circle(int r)

  {

    radius = r;

  }

  void draw()

  {

    cout<<draw<<2*3.14*radius<<endl;

  }

};

class rectangle():public shape{

protected:

  double x,y;

public:

  rectangle(double a, double b)

  {x=a;y=b;}

  void draw()

  {

    cout<<draw<<x*y<<endl;

  }

};

 

float total(shape * arr[], int len)

{

  double total = 0.0;

  for (int i=0; i <n; i++)

  {

    total+=arr[i]->length();

  }

  return total;

}

 

main()

{

  shape* arr[5];

  circle c1(2,2);

  arr[0] = &c1;

  ...

  total(arr,5);

  return 0;

}

 

编译时的多态(静态联编支持)

通过函数重载和运算符重载来实现

 

确定所调用函数的方式

参数匹配

支配原则

类名限定

 

 

运算符重载

运算符重载是通过创建运算符函数operator@()来实现的

运算符函数可以重载为:

类的成员函数

类的友员函数

 

eg

class A{

  ...

poublic:

  A operator= (A &a);

  friend A operator+ (A &a1, A &a2);

};

 

不允许重载的运算符:#  .  *  ?:

自己不能创造运算符

 

成员运算符重载

函数的参数个数应比原有操作数个数少一个,还有一个是调用它的对象

 

class myclass{

public:

  myclass operator+ (const myclass &a);

};

myclass myclass::operator+ (const myclass &a)

{

  myclass temp;

  temp.vaule1 = value1 + myclass.value1;

  temp.vaule2 = value2 + myclass.value2;

  return temp;

}

 

一元运算符重载

class myclass{

public:

  myclass operator++();

myclass myclass::operator++()

{

  ++value1;

  ++value2;

  return *this;

}

 

 

只能重载成成员函数不能重载为友员函数的运算符

= () [] ->

 

双目运算符一般重载为友员函数

单目运算符一般重载为成员函数

若运算符的操作需要修改类对象的状态选择成员运算符

若运算符的第一个操作数有隐式类型转换必须使用友员运算符

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。
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