每天学一点flash(51) 工厂模式

  一个工厂可以生产很多的产品,各种各样五花八门的产品。这些产品是通过工厂生产出来的,一个工厂可以生产这些产品。这样我们可以联想到自己所写的代码。工厂模式解决了创建实例化的过程。典型的例子就是计算器的问题。面试人员同样很喜欢把这样的题目考察应聘者。看是否有一种熟悉的面向对象思维,把代码封装,实现代码的重用性,继承基类。扩展自己所要实现的功能。

 

面向对象的三大特性:封装性,继承,多态

   像as3.0那样,我们可以实现一些简单的做法,例如我要计算面积这样的方法作为基类。然后我们用继续的方法继承基类原本的方法,但是我们要计算三角形面积,或者正方形面积,这些都是很简单,继承了基类的方法,并不是我们所要的结果,这时候我们需要同过override 声明来重写方法,做到继承所要的方法。

//基类

package {

 public class Operation {
  private var StrNumA:Number=0;
  private var StrNumB:Number=0;
  public function set SetNumA(Num:Number):void {
   StrNumA=Num;
  }
  
  public function set SetNumB(Num:Number):void {
   StrNumB=Num;
  }
  public function get GetNumA():Number {
   return StrNumA;
  }
  public function get GetNumB():Number {
   return StrNumB;
  }
  public function Result():Number {
   var Myresult:Number=0;
   return Myresult;
  }
 }
}//运算

 

//加法继承基类

package {
 public class Add extends Operation {
  private var NumA:Number;
  private var NumB:Number;
  
  override public function set SetNumA(Num:Number):void {
   NumA=Num;
  }
  
  override public function set SetNumB(Num:Number):void {
   NumB=Num;
  }
  override public function get GetNumA():Number {
   return NumA;
  }
  
  override public function get GetNumB():Number {
   return NumB;
  }
  
  
  override public function Result():Number {
   var Myresult:Number=0;
   Myresult=NumA+NumB;
   return Myresult;

  }
 }
}

 

 

//减法继承基类

package{
 public class Sub extends Operation{
 private var NumA:Number;
 private var NumB:Number;
 override public function set SetNumA(Num:Number):void {
   NumA=Num;
  }
  
  override public function set SetNumB(Num:Number):void {
   NumB=Num;
  }
  override public function get GetNumA():Number {
   return NumA;
  }
  
  override public function get GetNumB():Number {
   return NumB;
  }
 override public function Result():Number{
  var Myresult;
  Myresult=NumA-NumB;
  return Myresult;
  
  }
  
  
  }
 
 
 }

 

//继承基类

package{
 public class Mul extends Operation{
 private var NumA:Number;
 private var NumB:Number;
 override public function set SetNumA(Num:Number):void {
   NumA=Num;
  }
  
  override public function set SetNumB(Num:Number):void {
   NumB=Num;
  }
  override public function get GetNumA():Number {
   return NumA;
  }
  
  override public function get GetNumB():Number {
   return NumB;
  }
 override public function Result():Number{
  var Myresult;
  Myresult=NumA*NumB;
  return Myresult;
  
  }
  
  
  }
 
 
 }

//继承基类

package{
 public class Div extends Operation{
 private var NumA:Number;
 private var NumB:Number;
 override public function set SetNumA(Num:Number):void {
   NumA=Num;
  }
  
  override public function set SetNumB(Num:Number):void {
   NumB=Num;
  }
  override public function get GetNumA():Number {
   return NumA;
  }
  
  override public function get GetNumB():Number {
   return NumB;
  }
 override public function Result():Number{
 var Myresult:Number=0;
  if(NumB==0)trace("cuowo");//这里还要处理,以防除数为o
  Myresult=NumA/NumB;
  return Myresult;
  
  }
  
  
  }
 
 
 }

 

 

 

//工厂

package {
 public class OperationFactory {
  public static function CreateOperate(str:String):Operation {
   var op:Operation;
   switch (str) {
    case "+" :
     op=new Add();
     trace("+");
     break;

    case "-" :
     op=new Sub();
     break;

    case "*" :
     op=new Mul();
     break;

    case "/" :
     op=new Div();
     break;

   }
   return op;

  }

 }
}

 

 

还有一个客户端:这里还要做其他处理才可以完成我们的效果

package {

 import flash.display.MovieClip;
 import flash.display.*;
 import flash.events.*;
 import flash.text.*;
 public class Main extends MovieClip {
  var oper:Operation;

  public function Main() {

   oper=OperationFactory.CreateOperate("-");
   oper.SetNumA=2;
   oper.SetNumB=3;
   trace(oper.GetNumB);
   var Myresult2:Number=oper.Result();
   trace(Myresult2);
   }
}

深度习是机器习的一个子领域,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习和模式识别。深度习模型能够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、医图像分析等应用至关重要。以下是深度习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度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. **深度习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度习模型的工具和库。 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