转贴:解释不错的,关于OO

转自:http://hi.baidu.com/r_evo/blog/item/19a52200ce3e4b16738b6545.html

 

Copyright @ 200812R_EVO,http://hi.baidu.com/r_evo

本文遵从《SAP程序设计》版权协议,任何组织或个人在引用、转载或修改此文档时,敬请保留版权信息及注明出处。


是除去属性、方法的第三种类成员。
属性:刻画类对象的状态;
方法:用于访问修改对象状态;
事件:用于一个类对象发布其状态的改变,因而其他对象可以捕获该方法并作出响应。

一.定义事件
先在类声明部分声明事件,然后在其中的某个方法中触发该事件。
1.声明事件:
EVENTS|CLASS-EVENTS evt EXPORTING ...VALUE(e) TYPE type[OPTIONAL]...
可以用EXPORTING附加项指定需要向事件处理方法传递的参数。
2.触发事件: 实例事件可悲任意方法触发,静态则可被静态方法触发。
RAISE EVENT evt EXPORTING ...e=f...

二.事件处理方法:
事件需通过方法捕获事件并进行处理,须首先为该事件定义一个事件处理方法,然后在运行时为该事件进行注册。
1.声明事件处理方法:任何类都可以为其他类中定义事件进行处理,同时也可以为自身事件进行处理
METHOD|CLASS-METHOD meth FOR EVENT evt OF eif IMPORTING ...e...
只能包含定义在事件evt中的形式参数,并需遵循事件中的参数属性设定,但事件处理方法不需要使用所有RAISE EVENT中定义的参数,若希望使用隐含参数SENDER,则必须将其列入参数接口列表中,该参数允许一个实例事件处理方法访问事件触发者,从而返回处理结果。
2.注册事件处理方法:
要使用事件处理方法能够对事件进行响应,必须在运行是为相关事件注册该方法。
语法格式:SET HANDLER ...h...[FOR]...
该语句将处理方法和相关的触发方法进行链接,其语法和使用效果部分地取决于事件的类型,区分下列四种类型的事件:1)定义在类中的实例事件;2)定义在接口中的实例事件;3)定义在类中的静态事件;4)定义在接口中的静态事件;
对于实例事件,处理前须在注册语句中使用FOR指定希望注册道德对象。
SET HANDLER ...h...FOR ref. //可指定一个单独的对象作为事件触发者
或使用FOR ALL INSTANCES 项对处理器注册所有可触发该事件的实例。
SET HANDLER ...h... FOR ALL INSTANCES. //可作用于尚未被创建的实例
对静态事件,则不能使用FOR附加项: SET HANDLER ...h...
注:可有多个处理方法注册到同一时间上。
3.事件处理时间
在程序执行到RAISE EVENT语句之后,所有已注册的处理方法都将在下一个语句之前被处理。
注:1)为避免无限循环,目前事件处理只能进行64级嵌套;2)事件方法按其在系统内部注册的顺序被执行,从系统设计人员的角度讲,应认为所有事件处理方法都是同步执行的。

三.事件的处罚及处理
要使一个对象的事件处理方法能够捕获另一个对象触发事件,须先使用SET HANDLER语句注册其将形成触发对象和响应对象之间的对应关系。
SET HANDLER ...ref_handler->handler... FOR ref_sender|FOR ALL INSTANCES [ACTIVATION act].
事件在类中定义并写过程,在类中触发,运行完成事件后,回到RAISE EVENT之后继续运行其下内容。

 

例子:DEMO_CLASS_COUNTER_EVENT

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