python浅学笔记6-面向对象编程

面向对象编程

面向对象,把一些数据和处理数据的方法做一个集合。数据是静态的,方法是一个动作。
在python中任何数据类型都可视为对象。

类和实例

定义类 使用 class 关键字
根类 object

#定义类
class ClassA(object):   #ClassA类 继承于 object类
	pass

#创建实例
a = ClassA()

class Student(): #省略了object
    pass

s = Student()
print(isinstance(s,object)) #True  Student的父类也是object

特殊的用法,实例a可以任意的添加属性如 a.x = ‘x’;
为实例添加属性,可以在创建之前,在类中的__init__方法里定义

数据封装

类中定义的变量通过该类中的方法进行操作,而不用通过外部的方法来调用具体变量,做好隔离。当然也可以不用隔离,但很容易会显得很乱,也很危险(数据容易被错误的修改)。

访问限制

虽然模块中变量的访问域是约定俗成,但是class中变量是可以通过__前缀实现私有化的(但是不能同时也有__后缀,那样会变成可访问的特殊变量),类中单个下划线_开头的变量我们也想对待模块似的默认为私有变量平时不要随意访问。
__前缀的私有变量,python是通过把该变量名改变成如 _ClassA__VarB的形式实现的(也可能是其它形式),所以真想在外部修改私有变量也是可以通过访问a._ClassA__VarB做到的。(这是脚本语言的普遍问题,不能做到真正的私有)

继承和多态

继承:上文创建的ClassA类是object类的一个子类,object类是ClassA类的父类。
继承,使得子类继承了父类的全部公共功能,
如果我们对父类已有的功能在子类里重写,定制新的计算方式,就是类的多态特性。
判断实例的类型 isinstance(a,ClassA)
开闭原则:对拓展开放(新增子类),对修改封闭(使用该类的方法不用修改)

获取对象信息

判断对象信息 type() 对象可以是基本类型、也可是函数、属于某个自定义类
type() 返回的是Class类型 如 int str
怎么区分出对象是函数呢?
使用types模块
types.FunctionType
types.BuiltinFunctionType
types.LambdaType
types.GeneratorType

import types

def f():
    pass

print(type(abs) == types.BuiltinFunctionType)   #True
print(type(abs) == types.BuiltinMethodType)     #True
print(type(abs) == types.FunctionType)          #False  注意
print(type(f) == types.FunctionType)            #True
print(type(lambda x:x) == types.FunctionType)   #True
print(type(lambda x:x) == types.LambdaType)     #True

相比下使用isinstance(a,ClassA)判断类型更方便,还可以判断a是否是某几个类型中的一种 isinstance(a,(ClassA,ClassB,classC));
获得一个对象的所有属性和方法,可以使用dir()函数这个方法听起来就很强大了,可以拆解任何我们想要去了解的对象。也可以对类使用。

import types

class ClassA():
    def __play():
        pass;

a = ClassA()
print(dir(a)) #_ClassA__play 注意这个私有方法也被打印出来了
#['_ClassA__play', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__','__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__']

这里除了__play方法外还要很多继承于object类的方法。
以__同时为前后缀的方法都是有特殊用途,比如 len([1,23,4]),就是调用list的__len__方法,我没也可以给没有__len__方法的类里添加这个方法就可以调用len(ClassA)了。
还有一些常用方法getattr() setattr() hasattr()
其中有个点,是 getattr()可以获取对象的方法。

class ClassA():
    def __init__(self):
        self.act = 'play'
    def play(self):
        print(self.act);

a = ClassA()
f = getattr(a,'play');
f() #成功打印play,这里跟js有些不同。js 如果直接调用f,play方法里是获取不到self的。这里看来python应该是有把a包装进f里。

实例属性和类属性

实例属性

动态语言的实例可以任意绑定属性,刷新属性。(删除属性呢[赋值为None是不行的可以用del a.x,dict可以用pop 、del和remove()], 增加方法呢,见下章高级编程?)方法:
1.在定义类时,给self绑定属性
2.给创建好的实例直接绑定 a.xx = xx

类属性

在定义类时,直接定义的变量(不绑定给self),该变量可以被类访问到,也可以被该类的所有实例访问到,如果实例又绑定了这个变量名,则会访问实例自身的变量值(类属性的优先级较低)

class ClassA():
    act = 'do act'

    def __init__(self):
        self.act = 'play'
        
    def play(self):
        print(self.act);

print(ClassA.act) #do act
a = ClassA()
print(a.act)	#play

思考题:

class Student():
    count = 0
    def __init__(self,name):
        self.name = name
        __class__.count += 1  #__class__的用途 也可用 Student 替代

a = Student('Mike')
a = Student('Jack')
a = Student('Lucy')
a = Student('Lily')

print(Student.count) # 4

####另一种测试
class Student():
    count = 0
    def __init__(self,name):
        self.name = name
        self.count += 1  #__class__的用途 也可用 Student 替代

a = Student('Mike')
a = Student('Jack')
a = Student('Lucy')
a = Student('Lily')

print(Student.count) # 0 说明实例重新绑定的count 变量和 Student的类变量count无关。
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