VBS基本知识

由于一些需要,开始学习VBS了。此篇文章一直将处于编辑添加状态。

1、VBS简介

     VBS 即VBScript(Microsoft Visual Basic Script Editon),是微软开发的一套脚本语言。其详细介绍,网上可以找到很多资料。直接开始学习语言的各种特性吧。

2、VBS的编辑工具。

     可以直接使用电脑自带的记事本。编辑完成后将文件后缀名改为.vbs,保存后,直接双击文件即可运行。

3、基本语法介绍

     一定得注意的是VBS是不区分字母大小写的,msgbox()与MsgBox()表示的是同一个意思,得到的结果也是一样的。

     在VBS里,变量没有类型。变量可以用dim来申明,例如dim a表示申明了一个变量a,但是他的具体类型是不知道的,看接下来的代码怎么使用它。也可以不申明,直接在程序里面使用a=  ,即可表示a是一个变量。正是因为这一点,很容易使脚本里的变量出现混乱的状况,有时候会因为编写者的不小心,写错变量名,就会导致程序认为这是两个不同的变量的结果。所以可以在程序的最开始使用 options explicit申明后,接下来的所有代码里面的变量都必须事先申明,可以采用dim,private,public等来申明。有一点需要注意的是vbs里面不允许变量在申明的同时赋值,例如:dim a=1这是不允许的。

vbs可以同时申明多个变量,方式为:dim var1,var2,var3……

    还有一点需要注意的是,vbs里面别乱用分号,每一句句末也不能用分号。比如dim a;换行 dim b当你运行程序时,会提示你,语句未结束的错误。

    在vbs中,使用单引号作为注释语句的开头。

好了有了上面这些注意事项,基本的需要注意的规则就差不多了。不齐的以后续补。

--------------------------------------------------------------------------------------------------------------------------------------------------

2014-04-02,继续  http://www.51testing.com/html/01/276101-224295.html

---------------------------------------------------------------------------------------------------------------------------------------------------

转载于:https://www.cnblogs.com/huang1990/p/3625478.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