JAVASE之抽象类与接口

o 尽可能不要直接继承直接实现好的类,而继承抽象类或接口
o 对象多态性的核心本质:方法的覆写
o 如果子类没有进行指定方法的覆写,也就不存在对象多态性了。
o 所以如果要对子类的方法做一些强制性的要求,就会用到抽象类。

1.抽象类的定义与使用
抽象类只是在普通类的基础上扩充了一些抽象方法而已,所谓的抽象方法指的是只声明而未实现的方法(即没有方
法体)。所有抽象方法要求使用abstract关键字来定义,并且抽象方法所在的类也一定要使用abstract关键字来
定义,表示抽象类
例:

abstract class Person{
      private String name ; // 属性
      public String getName(){ // 普通方法
           return this.name;
       }
     public void setName(String name){
          this.name = name ;
     }
// {}为方法体,所有抽象方法上不包含方法体
   public abstract void getPersonInfo() ; //抽象方法
}

.
抽象类中包含有抽象方法,而抽象方法不包含方法体,即没有具体实现。因此抽象类不能直接产生实例化对象。
** 对于抽象类的使用原则:
所有的抽象类必须有子类。
抽象类的子类必须覆写抽象类的所有抽象方法(子类不是抽象 类)【方法覆写一定要考虑权限问题,权限尽量都用public】。
抽象类的对象可以通过对象多态性利用子类为其实例化。
private与abstract不能同时使用。

范例:使用抽象类

abstract class Person{
           private String name ; // 属性
           public String getName(){ // 普通方法
           return this.name;
        }
         public void setName(String name){
             this.name = name ;
        }
        // {}为方法体,所有抽象方法上不包含方法体
        public abstract void getPersonInfo() ; //抽象方法
        }
class Student extends Person{
       public void getPersonInfo(){
       System.out.println("I am a student");
      }
 }
      public class Test{
             public static void main(String[] args) {
                  Person per = Person.getInstance();
                   per.getPersonInfo() ; //被子类所覆写的方法
       }
}

.
2.抽象类的相关规定:
抽象类只是比普通类多了一些抽象方法而已
因此在抽象类中也允许提供构造方法,并且子类也照样遵循对象实例化流程。实例化子类时一定先调用父类构造方法。
如果父类没有无参构造,那么子类构造必须使用super明确指出使用父类哪个构造
抽象类中允许不定义任何的抽象方法,但是此时抽象类依然无法直接创建实例化对象。
抽象类一定不能使用final声明,因为使用final声明的类不允许有子类;而抽象类必须有子类;相应的,抽象方法也不能使用private定义,因为抽象方法必须要能被覆写。
抽象类也分为内部抽象类和外部抽象类。内部抽象类中也可以使用static定义来描述外部抽象类。
如果现在外部抽象类中使用了static那么就是语法错误,但是内部抽象类允许使用static。

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