go学习 interface

假设你需要解析一堆数据,在解析的过程中发现某个字段的值不同,即为一种类型,每种类型对应的是一个完全不同的结构。比如1对应的结构为user,2对应的为desk,数据中有很多这样的类型,我们解析不同的结构后希望能存储结构体,然后在使用时,可以将这些结构体展开,并根据不同类型做出不同的处理。

我们假设有两种类型,一种为User, 一种为Desk

type User struct {
	name string	
	age int
}

type Desk struct {
	price float64
	size int
}

当我们在解析数据的时候,不管是User类型,还是Desk类型,我们希望能将之放在一个数据结构中,便于程序处理,此时可设置一个结构,将两种类型以interface的方式存放起来,结果如下:

type Node struct {
	msgType int
	i interface{}
}

当我们发现msgType为1时,i存放的是User类型指针,当msgType为2时,存放的则为Desk指针

最后我们返回Node指针:

func Parse(msgType int) (*Node, error) {
	a := rand.Intn(50)
	s := strconv.Itoa(a)
	node := new(Node)
	if msgType == 1 {
		u := new(User)
		u.name = "Name" + s
		u.age = a
		node.msgType = msgType
		node.i = u
		return node, nil
	} else if msgType == 2 {
		d := new(Desk)
		d.price = float64(a) * 0.8
		d.size = a
		node.msgType = msgType
		node.i = d
		return node, nil
	}
	return nil, errors.New("Error!!!")
}

现在我们开始不断解析数据,一连解析4个数据后得到两个User类型的数据和两个Desk类型的数据,这4个数据都存于Node中,然后放入nodes数组中

	var nodes []*Node
	for i := 1; i <= 4; i++ {
		node, _ := Parse(i%2 + 1)
		if node != nil {
			nodes = append(nodes, node)
		}
	}

数据解析完成后,我们封装了针对这个解析结果的处理。处理时我们根据msgType进行断言,如果msgType为1,则认为数据类型为User,如果msgType为2,认为数据类型为Desk。并根据不同的类型进行不同的处理

func Deal(nodes []*Node) {
	for _, v:= range nodes {
		if v.msgType == 1 {
			fmt.Printf("Name: %s, age: %d\n", v.i.(*User).name, v.i.(*User).age)

		} else if v.msgType == 2 {
			fmt.Printf("size: %d, price: %f\n", v.i.(*Desk).size, v.i.(*Desk).price)
		}
	}
}

最后附上全部测试代码:

package tests

import (
	"errors"
	"fmt"
	"math/rand"
	"strconv"
	"testing"
)

type User struct {
	name string
	age int
}

type Desk struct {
	price float64
	size int
}

type Node struct {
	msgType int
	i interface{}
}

func Parse(msgType int) (*Node, error) {
	a := rand.Intn(50)
	s := strconv.Itoa(a)
	node := new(Node)
	if msgType == 1 {
		u := new(User)
		u.name = "Name" + s
		u.age = a
		node.msgType = msgType
		node.i = u
		return node, nil
	} else if msgType == 2 {
		d := new(Desk)
		d.price = float64(a) * 0.8
		d.size = a
		node.msgType = msgType
		node.i = d
		return node, nil
	}
	return nil, errors.New("Error!!!")
}

func Deal(nodes []*Node) {
	for _, v:= range nodes {
		if v.msgType == 1 {
			fmt.Printf("Name: %s, age: %d\n", v.i.(*User).name, v.i.(*User).age)

		} else if v.msgType == 2 {
			fmt.Printf("size: %d, price: %f\n", v.i.(*Desk).size, v.i.(*Desk).price)
		}
	}
}

func TestInterface(t *testing.T) {
	rand.Seed(10000)
	var nodes []*Node
	for i := 1; i <= 4; i++ {
		node, _ := Parse(i%2 + 1)
		if node != nil {
			nodes = append(nodes, node)
		}
	}
	Deal(nodes)

}

附上运行结果:

=== RUN   TestInterface
size: 46, price: 36.800000
Name: Name31, age: 31
size: 45, price: 36.000000
Name: Name12, age: 12
--- PASS: TestInterface (0.00s)
PASS

下一节应该是网络数据派发的简单模型

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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

打赏作者

永远的麦田

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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