11. 迭代器模式

这里写图片描述

index.php

<?php

define('BASEDIR',__DIR__);

include BASEDIR . '/IMooc/Loader.php';
spl_autoload_register('\\IMooc\\Loader::autoload');

$users = new IMooc\AllUser();
foreach($users as $user){
    var_dump($user->name);
    //还可以对属性修改
    $user->name = rand(0,9) . 'aaa';
}

AllUser.php

<?php

namespace IMooc;

//一个迭代器的实现,必须继承 SPL 中的迭代器接口 \Iterator
class AllUser implements \Iterator
{
    protected $ids;
    protected $data = array();
    protected $index;//表示迭代器当前位置

    //先从数据库中将所有的id取出来
    public function __construct()
    {
        $db = Factory::getDatabase();
        $db->connect('localhost','root','123456','test1');
        $result = $db->query("select id from user");
//        var_dump($result);die;
        $this->ids = $result->fetch_all(MYSQLI_ASSOC);
    }

    //对于一个迭代器来说,有5个方法必须实现

    //重置整个迭代器,回到整个集合的开头
    public function rewind()
    {
        $this->index = 0;
    }

    //验证当前是否还有下一个元素
    public function valid()
    {
        //当前的 index 是否小于 $this->ids,如果大于表明没有下一个了
        return $this->index < count($this->ids);
    }

    //获取当前元素
    public function current()
    {
        $id = $this->ids[$this->index]['id'];
        return Factory::getUser($id);
    }

    //下一个元素
    public function next()
    {
        $this->index++;
    }

    //表示在迭代器中的位置
    public function key()
    {
        return $this->index;
    }
}

Factory.php

<?php

namespace IMooc;

class Factory
{
    static function createDatabase()
    {
        $db = Database::getInstance();
        //将 $db 映射到全局树上
        Register::set('db1',$db);
        return $db;
    }

    public static function getUser($id)
    {
        $key = 'user_' . $id;
        $user = Register::get($key);
        if(!$user){
            $user = new User($id);
            Register::set($key,$user);
        }
        return $user;
    }

    static function getDatabase()
    {
        $db = new Database\MySQLi();
        return $db;
    }
}
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