Swift高级开发语言--结构体,类,构造器,属性

// 结构体和类   
// 在swift中,结构体被做了很多强化,几乎所有的数据类型都是用结构体实现的,
// 相同点:1.都可以定义变量 2.都可以定义方法 3.都可以定义构造器 init 4.都可以遵守歇息 5.扩展 
// 不同点:1.结构体是值类型,类是引用类型 2.类可以被继承 3.类可以使用类型推断 4.类可以使用 deinit(析构器) 5.一个类可以有多个引用

结构体

// 结构体
struct Resolution {
    // 定义变量 (属性)
    var height = 0
    var width = 0
}

// 结构体自动根据属性生成构造器(init方法)
let resolution = Resolution(height: 10, width: 10)
resolution.height
resolution.width

// 类
class Video {
    var resolution_class = Resolution(height: 20, width: 20)
    var frameRate = 0.1
}
// 类不会自动生成构造器,需要我们主动实现
let video = Video()
video.frameRate = 0.2
// 值类型和引用类型的区别
var newResolution =  resolution
newResolution.height = 29
newResolution.height
resolution.height
 var newVideo = video
newVideo.frameRate
newVideo.frameRate = 0.5
newVideo.frameRate
video.frameRate

构造器

// 构造器
struct ResolutionA {
    var height = 0
    var width = 0
    // 构造器,系统生成self.属性名 用于赋值
    init(gao:Int, kuan:Int){
        self.height = gao
        self.width = kuan
    }
}
let resolution2 = ResolutionA(gao: 10, kuan: 10)
resolution2.height


class VideoA {
    var frameRate = 0.2
    var resolution_VA = ResolutionA(gao: 20, kuan: 20)
    // 构造器会自动生成外部参数名,构造器内实现对属性的赋值操作
    init(frame:Double, resolu_VA:ResolutionA){
        self.frameRate = frame
        self.resolution_VA = resolu_VA
    }
}

let videoA = VideoA(frame: 0.3, resolu_VA: resolution2)

属性

// 属性分为两种:计算属性和存储属性
// 存储属性:存储类和结构体里面的常量或变量,只起到存储作用
// 计算属性:不作为存储功能使用,计算属性本身提供get set方法,间接的获取计算属性的值

struct Point {
    var x = 0
    var y = 0
}

struct Size {
    var with = 100
    var heigth = 100
}

var point = Point(x:0, y:0)
// 代表正方形
struct Rect {
    // 
    var point_z = Point(x: 0, y: 0)
    var size = Size(with: 100, heigth: 100)
    // 计算属性
    var center:Point {
        set{
            // set方法中,自动生成newValue, 代表赋给的新值
            // 平移
            let x = newValue.x - size.with / 2
            let y = newValue.y - size.heigth / 2
            point_z.x = x
            point_z.y = y


        }
        get{
            // 在get方法中,用于获取属性的值
            let centerX = point_z.x + size.with / 2
            let centerY = point_z.y + size.heigth / 2
            return Point(x: centerX, y: centerY)
        }
    }
}

var rect = Rect(point_z: Point(x: 0, y: 0), size: Size(with: 100, heigth: 100))
rect.center.x
rect.center = Point(x: 500, y: 500)
rect.point_z.x

// 定义方法
struct ResolutionB {
    var height = 0
    var with = 0
    // 结构体定义方法
    // 结构体方法默认不能对结构体属性做更改,如果有更改需求,需要使用mutating关键字对方法进行修饰
    mutating func hello() {
        print("你好")
        func hello2() {
            print("hello")
        }
        self.with = 20
    }
    // 类似于 + 方法  静态方法
    static func helloWord() {
        print("HelloWorld")

    }
}

var resolution4 = ResolutionB()
resolution4.hello()

class VideoB {
    var frameRate = 0.1
    // 类里面的普通方法可以对类的属性做更改
    func dj() {
        print("如果我是dj你会爱我吗,你会爱我吧~~~~~")
        frameRate = 0.2

    }
    // +方法 类型方法
    func djj() {
        print("看JZ国长撒较高的射手座kis中多喝点水")
    }
    // 类型属性,只能是计算属性,只实现get方法--只读
    class var name:String {
        get{
            return "maomao"
        }
    }

}

var video3 = VideoB()
video3.dj()
//VideoB.djj()
VideoB.name
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