华信9月11日上课心得


今天是华信的第二次课,这里的老师讲课特点比较特别,和学校的老师不太一样,让我这种没有基础的人都听的非常明白,以下是我这次课程的总结:

一、类与对象
类:生活中一些实体共同点的集合,概念性的名词,依赖于人的意识存在
对象:生活中具体的一个一个实体,具体的实体,客观存在

人类:特征(性别、年龄、身高、体重、爱好、长相.....)
      行为(吃、喝、走、说话、学习、玩.....)
人类对象实体

二、面向对象编程
1)如何理解?
面向对象(关注对象)
面向过程(关注过程)
一件事情 = 对象(执行者)  +  过程(执行流程)
张三去八教上课 =  张三同学  +   去上课

2)两者的区别
面向对象和面向过程指的是关注一件事情的重点不一样
面向对象:关注事情的执行者是谁,流程不是关注的重点(结果不确定性)
面向过程:关注的是执行流程如何,执行者不关注(结果确定)

3)面向对象编程:
张三老师正在给李四同学上课
对象:张三老师   --->   老师类
过程:上课

4)语法格式
1.定义属性语法:public 类型  属性名;
2.定义方法的语法:public 返回类型  方法名(参数列表){}
 返回类型:行为执行的结果
 参数列表:行为执行的前提
 大括号中:行为执行的流程

3.类型:数字int   字符串String
4.创建对象:类名  对象名  = new  类名();
5.给属性赋值:对象名.属性名 = 值;
6.执行方法:对象名.方法名(值);


三、界面初步实现(最简单的小登录界面)

package org.cn.lxh;

import java.awt.FlowLayout;

import javax.swing.JButton;

import javax.swing.JFrame;

import javax.swing.JLabel;

import javax.swing.JTextField;

//登录窗体的实现类

publicclassDemo0911{

    publicstaticvoid main(String[]args){

        JFrameframe =new JFrame("登录界面");

        frame.setSize(200,400);

        frame.setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);

        frame.setLocationRelativeTo(null);

        FlowLayoutflow =new FlowLayout();

        frame.setLayout(flow);

        JLabellabel1 =new JLabel();

        JLabellabel2 =new JLabel();

        label1.setText("账号");

        label2.setText("密码");

        JTextFieldtext1 =new JTextField(12);

        JTextFieldtext2 =new JTextField(12);

        JButtonbutton1 =new JButton("登录");

        JButtonbutton2 =new JButton("注册");

        frame.add(label1);

        frame.add(text1);

        frame.add(label2);

        frame.add(text2);

        frame.add(button1);

        frame.add(button2);

        frame.setVisible(true);

    }

}



    
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