(补交)系统分析与设计-HW8

描述软件架构与框架之间的区别与联系

软件架构:把系统分解为一些部件,描述这些部件的职责以及相互之间的写作行为。软件架构实际上是描述直接构成系统的抽象组件的系统草图,组件之间的联系明确各个组件之间的通讯并加以描述,到实现阶段,这些抽象组建会被细化为实际的组件。

软件框架:指在一定的设计原则基础上,从不同角度对组成系统的各部分进行搭配和安排,形成系统的多个结构组成的“半成品”。它包括系统的各个组件、组件的外部可见属性和组件之间的相互关系。

二者的区别是软件框架是一种特殊的半成品软件,软甲架构则是设计软件的策略与规范。

二者的联系是软件架构是框架设计的直男,框架是架构落实到某种语言的确切代码实现。


以你的项目为例

绘制三层架构模型图,细致到分区

结合你程序的结构,从程序员角度说明三层架构给开发者带来的便利

三层架构让项目模块分工明确,让项目中的每个程序员都可以清晰地明确自己的分工,以及与其他模块负责人之间的联系。这就让工作落实到个人,极大的提高了效率。当问题发生需要调试的时候,也可以依据出问题的模块进行有针对性的修改。


研究VUE与Flux状态管理的异同

异:VUE基于VUEX,而VUEX适用于构建大型项目,否则代码会变得更加繁琐。VUEX的核心为

  state:存放多个组件共享的状态

mutations:存放更改state里状态的方法,用于变更状态,是唯一一个更改状态的属性

getters:将state中某个状态进行过滤,然后获取新状态

actions:调用事件动作,传给mutation

modules:拆分state

vueComponent——>(dispatch)Action——>(commit)Mutations——>(mutate)State——>(render)VueComponent

flux的状态集管理分为四层:view视图层,action层,dispatcher派发层,store仓库层。

view——>action——>dispatcher——>store返回——>dispatcher——>view

同:都通过store存储状态,对数据的处理都是单向流动,包括传输、更新的动作也一致


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