C++ 开发工程师 第三周笔记 boolan.com

第三周

Composition(复合),has-a

图形表示,实心菱形

这里queue功能完全由deque包装实现,是adapter设计模式。

内存大小如下

Composition 复合关系下的构造和析构

构造由内而外
Container的构造函数首先调用Component的默认构造函数,然后才执行自己。
实际上编译器类似如下操作:
Container::Container(...): Component() { ... };

析构由外而内
Container的析构函数首先执行自己,然后才调用Component的析构函数。
Container::~Container(...) {... ~Component( );}

Delegation(委托) Composition by reference

其中包含一个指针。用空心菱形块表示。

很有名 Handle/Body pimpl: pointer to implementation

所有的实现都在右边,通过指针实现。好处是右边的任何变动不影响左边。编译防火墙。

共享

如果内容一样可以共享,使用引用计数器。其中一个的写不能影响其他的。

Inheritance (继承) , is-a

子类指向父类,空心三角形。

Inheritance 继承下的构造和析构

base class 的 dtor 必须是 virtual, 否则会出现undefined behavior

构造由内而外,析构由外而内
Derived::Derived(...) : Base( ) {...};

Derived::~Derived(...) { ... ~Base( ) };

Inheritance 继承 with virtual functions (虚函数)

继承的函数实际上是继承的函数调用权。

non-vitual 函数:你不希望derived class重新定义(override,复写)它。
virtual 函数:你希望derived class重新定义(override,复写)它,且你对它已有默认定义。
pure virtual 函数:你希望derived class一定要重新定义(override,复写)它,你对它没有默认定义。

Template Method

这里Serialize( )函数可以放到以后写。MFC就是这样。。。
Serialize使用this来调用。

Inheritance 和 Composition关系下的构造和析构函数

作业 看看谁先谁后

Delegation 委托 + Inheritance 继承

可以做到类似如下效果

Subject里放的都是指针,其余从Observer继承。
Subject提供注册和注销的函数,注册即放到容器里。

Composite Composite容器 即要放Primitive 又要放 Composite,于是让Primitive和Composite均继承Component。

add函数不能写纯虚函数,因为Primitive没有add,继承下来空函数。

Prototype 应对以后出现的新类,让下面派生的子类都创建一个自己。

图中下划线代表静态,- 代表private #代表protected,名字在前,类型在后。
子类里有一个静态的自己,如_LSAT。
子类构造函数私有,将自己add到父类的容器中。
子类自己有clone函数,new 自己。
有两个构造函数,当clone时,同样会创建自己,调用构造函数,如果只有一个构造函数,那么又会把自己add到父类的容器中,所以写一个带参数的构造函数,这个参数根本用不到。

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