黑马程序员 匿名内部类

---------------------- <a href="http://edu.csdn.net"target="blank">ASP.Net+Android+IO开发S</a>、<a href="http://edu.csdn.net"target="blank">.Net培训</a>、期待与您交流! ----------------------

典型的情况是,内部类继承自某个类或实现某个接口,内部类的代码操作创建其的外围类的对象。所以


可以认为内部类提供了某种进入其外围类的窗口。
每个内部类都能独立地继承自一个(接口的)实现,所以无论外围类是否已经继承了某个(接口的)实


现,对于内部类都没有影响。内部类提供的可以继承多个具体的或抽象的类的能力,许多编程问题就很容易解决


。从这个角度看,内部类使得多重继承的解决方案变得完整。接口解决了部分问题,而内部类有效地实现了“多


重继承”。这就是使用内部类最吸引人的原因。
在内部类中,我觉得匿名内部类用处最广泛了,因为它是有名内部类的简化形式,实际上是一个匿名子


类对象。
        定义匿名内部类有一个前提是:内部类必须是继承一个类或者实现接口。
匿名内部类为局部内部类,所以不能加public,protected,private,static修饰符,没有静态成员和静


态方法。又因为没有名字,也没有构造函数,但可以创建一个对象。
举3个例子,说明匿名内部类:
1覆盖式的匿名内部类
public class Car {
public void drive(){
System.out.println("Driving a car!");
}
public static void main(String[] args) {
new Car(){
public void drive() {
System.out.println("Driving another car!");}
          }.drive();
}

new Car()后面跟了一个代码块,继承了Car类,然后重写了drive方法;

2接口式的匿名内部类。
interface Vehicle {
public void drive();}
class Test{
public static void main(String[] args) {
Vehicle v = new Vehicle(){
public void drive(){
System.out.println("Driving a car!");}
};
v.drive();}
}


new Vehicle()后面跟了一个代码块,实现了这个接口,然后new了一个Vehicle的子类;


3参数式的匿名内部类。
class A{
void doStuff(F f){
f.f();}
}
interface F{ void f();  }
class Test{
public static void main(){
A a = new A();
a.doStuff(new F(){
public void f(){
System.out.println("ff");}
});
}
}


这种做为参数传递一个对象的应用倒是蛮多的。匿名内部类本来就是作为一种简化形式而存在,而且可


以在传对象时按照需要对继承父类的方法进行修改,使用十分灵活。


我总结了,匿名内部类其实就是继承多态的另一种应用形式。有覆盖,有继承,继承就意味着内部类有


新的函数出现,不过这个意义不太大,复写的应用更广泛一些,也能更强发挥多态的作用。
不过多态是有缺点的,所以增强多态作用的匿名内部类也存在着类似的缺陷。匿名内部类对象只能对方


法调用一次,所以仅仅继承,意义不大,一般用来覆盖父类或实现接口,里面的函数不多于2个。因为没有名字


嘛,调用方法不方便,而且还有多态的局限,父类是不能调用匿名子类对象特有的方法的。
写完匿名内部类,内部类就总结完了O(∩_∩)O~

---------------------- <a href="http://edu.csdn.net"target="blank">ASP.Net+Android+IO开发S</a>、<a href="http://edu.csdn.net"target="blank">.Net培训</a>、期待与您交流! ----------------------

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