OO第二次博客总结

第五次作业:

  度量图:

  

  类图:

  

  分析:这次作业的主要问题是对电梯请求如何分配给三部电梯,让他们能够同时工作且不出现问题。这其中涉及到了关于线程安全,数据同步的问题。

    但由于这是多线程的第一次作业,自己以前对多线程没有一点概念,做此次作业之前查阅了很多资料,但还是有很多地方并没有真正弄明白。这在此次作业中体现的很明显。从度量图看,我的程序圈复杂度太大,说明程序代码质量低且不易维护,其次块嵌套深度过高,以及参数过多,这都是直接可以看出来的问题,然后我的类图也很杂乱无章,没有设计好。总体来说,自己没有把握好时间,搞清楚多线程花了很久,设计程序时间不足,导致这完全就是一个赶时间的程序。

  自己的bug:这次由于没设计好,功能性测试几乎都错了,只过了几个简单的例子。

  测试任务:可能他也没有好好设计吧,只要输入回车,程序就crash,他是因为输出时用了很奇怪的方式,我帮他改了下,结果和我差不多,功能性测试几乎不对。

 

第六次作业:

  度量图:

  类图:

分析:

  这次作业是设计一个文件监控系统,首先对监控作业进行处理,忽略掉非法监控,将合法监控提取出来。至于对文件如何监控,我的办法是为所监控的对象建立快照,将其属性保存下来,然后再等一个扫描周期(我的是50ms)将新的快照与旧的进行对比,发现其改变的属性,就可以看是否相应的触发器,执行相应的任务。

  但我这样做好像有问题,就是在path-changed的时候,它不响应,我单步运行发现其新的快照集和旧的变得一样了,也就是50ms这个周期没有捕捉到这个变化,所以我把时间改为60ms就可以了。总的来说,这次比上次好,至少弄清楚了多线程的基本思想,也学会了正确进行加锁同步。

自己的bug:path-changed监控出错,应该是周期的问题。

测试任务的bug:他的程序不能实现文件安全类功能不完整,很多功能没有实现,测试起来较为困难,他在多线程安全处理也不行,有的变化不予响应,且summary与detail会重复记录。

第七次作业:

  度量图:

  类图:

分析:这次是设计一个出租车调度系统,我的实现思想是,先完成地图导入及出租车初始化的工作。出租车初始化主要就是开一百个线程,让出租车随机运行。然后获取乘客请求进行处理,这部分就按照指导书的要求,挑选符合要求的出租车,进行派单,记录其运行信息。

这次作业相比前两次完成的要好,可能是自己对多线程有了更进一步的理解,也是一点点在进步吧。

自己的bug:由于粗心,没有仔细检查,有个地方数组越界,crash了。

测试任务的bug:他的程序没有把路径记录完,只记录了一部分请求记录,而且对同质请求处理不当。

 

总结:总的来说,自己从不会多线程到慢慢入门,一点点在进步,还是蛮开心的,不仅是作业,周五的OO上机我也学到了很多。反正对待一个学习任务,慢慢去学,不放弃,总会弄清楚的。

 

转载于:https://www.cnblogs.com/zuoshun/p/8979776.html

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