3-java学习笔记

多态

  • 多态是同一个行为具有多个不同表现形式或形态的能力。
  • 多态就是同一个接口,使用不同的实例而执行不同操作。

优点:

1 消除类型之间的耦合关系
2 可替换性
3 可扩充性
4 接口性
5 灵活性
6 简化性

多态存在的三个必要条件

1 继承
2 重写
3 父类引用指向子类对象

举个栗子

    //父类
    public class Pro {
        int a = 32;
        int b;


        public Pro () {
        }

        public Pro (int b) {
            this.b = b;
        }

        public Integer getA () {
            return this.a;
        }

        public void setA (int a) {
            this.a=a;
        }


        public Integer getB () {
            return this.a;
        }

        public void setB (int b) {
            this.b=b;
        }

        public void say () {
            System.out.println("my is pro");
        }
    }
    //子类
    public class Clid extends Pro {
        int c;

        public Integer getC () {
            return this.c;
        }

        public void setC (int c) {
            this.c = c;
        }

        public void say () {
            System.out.println("my is clid");
        }
    }
    //驱动函数
    public class Test {
        public static void main (String args[]) {
            Pro t1 = new Pro();
            System.out.println ("a:" + t1.a);
            System.out.println ("a:" + t1.getA());
            System.out.println ("b:" + t1.b);

            Pro t2 = new Pro(30);
            System.out.println ("a:" + t2.a);
            System.out.println ("b:" + t2.b);

            Pro t3 = new Clid();//多态
            System.out.println ("a:" + t3.a);
            System.out.println ("b:" + t3.b);
            Clid t4 = (Clid) t3;
            System.out.println ("c:" + t4.c);

            t2.say();// my is pro
            t3.say();// my is clid
            t4.say();
        }
    }
//运行结果
a:32
a:32
b:0
a:32
b:30
a:32
b:0
c:0
my is pro
my is clid
my is clid

多态的实现方式

  1. 重写
  2. 接口
  3. 抽象类和抽象方法

注意

一、使用父类类型的引用指向子类的对象;
二、该引用只能调用父类中定义的方法和变量;
三、如果子类中重写了父类中的一个方法,那么在调用这个方法的时候,将会调用子类中的这个方法;(动态连接、动态调用);
四、变量不能被重写(覆盖),”重写”的概念只针对方法,如果在子类中”重写”了父类中的变量,那么在编译时会报错。


重写(Override)/重载(Overload)

重写

  • 重写(Override):外壳不变,核心重新!重写方法不能抛出新的检查异常或者比被重写方法申明更加宽泛的异常
  • 规则:
    (1)参数列表必须完全与被重写方法的相同;
    (2)返回类型必须完全与被重写方法的返回类型相同;
    (3)访问权限不能比父类中被重写的方法的访问权限更低。
    (4)父类的成员方法只能被它的子类重写。
    (5)声明为final和static的方法不能被重写,但是static方法能够再次被声明。
    (6)构造方法不能被重写。
    (7)如果不能继承一个方法,则不能重写这个方法。
    (8)不管子类和父类是否在同一个包中,那么子类都只能重写父类的声明为public和protected的非final方法。

重载

  • 重载(Overload):是在一个类里面,方法名字相同,而参数不同。返回类型可以相同也可以不同。常用的就是构造器的重载。
  • 规则:
    (1)被重载的方法必须改变参数列表(参数个数或类型或顺序不一样)。
    (2)被重载的方法可以改变返回类型。
    (3)被重载的方法可以改变访问修饰符;
    (4)被重载的方法可以声明新的或更广的检查异常;
    (5)方法能够在同一个类中或者在一个子类中被重载。
区别点重载方法重写方法
参数列表必须修改一定不能修改
返回类型可以修改一定不能修改
异常可以修改可以减少或删除,一定不能抛出新的或者更广的异常
访问可以修改一定不能做更严格的限制(可以降低限制)

抽象

封装和接口

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
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