my spring 学习之路(一)

1.1 为什么要有Ioc?

     首先传统的应用程序中,类与类之间的耦合性太强,

     举个例子应用程序需要使用user类,则需要new User。

     但是也需要会用到userdetail,那么就需要在user类中new userdetail类,然后使用userdetail的资源。由应用程序主动创建依赖对象

   

  

   

    1>  这样的设计首先不利于单元测试。因为做user单元测试的就需要new userdetail类。

    2> 这样不利于功能复用? 待深入 why?


1.2 什么是Ioc?

     Ioc不是一种程序or技术, 它是一种思想,Ioc --- Inversion of Control,翻译为控制反转。

    是指将你要依赖的类,更准确的说是对象, 交给Ioc容器处理。

    应用程序不需要主动创建类,创建类以及查找, 注入依赖的事情全部交由Ioc容器去做。应用程序被动的接受Ioc容器处理好的注入对象。

    控制什么?  --主要控制外部资源获取(对象或文件等)


1.3 什么是DI?

     DI - Dependency Injection, 翻译为依赖注入,由Ioc容器动态的注入所要依赖的对象到组件中去。

     Ioc - DI 可以帮助应用程序具体到类更好,更简洁的完成自身的业务逻辑。而不需要care外部资源怎么获取,来自何处,由谁实现等。

  •     谁控制谁: Ioc容器控制依赖对象
  •     控制了什么:外部资源
  •     谁依赖谁: 应用程序依赖Ioc容器
  •     为什么需要依赖:使应用程序更简洁的完成自身业务逻辑,而不需要care 外部资源的how, where, who获取。
  •     谁注入谁:Ioc容器注入应用程序所要依赖的对象。
  •     注入了什么:注入应用程序所依赖的外部资源。


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