IOS开发中的归档与反归档

归档 是对象的⼀一种序列化⽅方式,对模型对象进⾏行归档 的技术可以轻松将复杂的对象写⼊入⽂文件,然后再从⽂文件 中读取它们。 

要求类中要进⾏行归档的属性或者成员变量是基本数据类 型(如 int float 等)或者符合 NSCoding 协议的某个类 的对象(如 NSString NSArray 等)。 

原理:将复杂对象转换为 NSData ,然后写⼊入到硬盘。 为了读取的时候恢复写⼊入数据,需要对写⼊入数据进⾏行编 码和解码 

自定义类的对象要实现归档,该类需要确认 NSCoding 协议,并且实现协议中的两个⽅方法:
-encodeWithCoder: 归档编码时调用
-initWithCoder: 反归档解码时调用
归档类: NSKeyedArchiver 
反归档类: NSKeyedUnarchiver 

//自定义两个自定义类成员变量
p1=[[LPFPerson alloc]initWithName:@" 张三 " age:54];p2=[[LPFPerson alloc]initWithName:@" 李四 " age:43];

//归档
//获取要将data存储的地址
NSString *str=[NSSearchPathForDirectoriesInDomains(NSDocumentDirectory, NSUserDomainMask, YES) lastObject];NSMutableData *data=[[NSMutableData alloc]init];NSKeyedArchiver *archiver=[[NSKeyedArchiver alloc]initForWritingWithMutableData:data];[archiver encodeObject:p1 forKey:@"p1Key"];[archiver encodeObject:p2 forKey:@"p2Key"];[archiver finishEncoding];
//将data数据写入文件[data writeToFile:[str stringByAppendingPathComponent:@"data.da"] atomically:YES];[data release];[archiver release];


//反归档
//获取data数据存储地址
NSString *str=[NSSearchPathForDirectoriesInDomains(NSDocumentDirectory, NSUserDomainMask, YES) lastObject];
//根据存储地址,获取data数据NSData *data=[[NSData alloc]initWithContentsOfFile:[str stringByAppendingPathComponent:@"data.da"]];NSKeyedUnarchiver *unArchiver=[[NSKeyedUnarchiver alloc]initForReadingWithData:data];
//LPFPerson *per1 =(LPFPerson*)[unArchiver decodeObjectForKey:@"p1Key"];LPFPerson *per2=(LPFPerson *)[unArchiver decodeObjectForKey:@"p2Key”];

优点:功能比普通⽂文件存储⽅方式相对强⼤大,解决了自定义类的存储问题。
缺点:操作略微复杂,查找数据不⽅方便(不能直接查找某个对象的属性,⽽而是需要把所有归档对象都读出来然后再去找属性)
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