15多态

1. 多态

面向对象三大特性

1. 封装 根据 职责 将 属性方法 封装 到一个抽象的 类 中

  • 定义类的准则

2. 继承 实现代码的重用, 相同的代码不需要重复的编写

  • 设计类的技巧
  • 子类针对自己特有的需求, 编写特定的代码

3. 多态 不同的 子类对象 调用相同的 父类方法, 产生不同的执行结果

  • 多态 可以 增加代码的灵活度
  • 继承 重写父类方法 为前提
  • 是调用方法的技巧. 不会影响到类的内部设计

2. 多态案例演练

1. 在 Dog 类中封装方法 game

  • 普通狗只是简单的玩耍

2. 定义 XiaoTianQuan 继承自 Dog , 并且重写 game 方法

  • 哮天犬需要直接在天上玩耍

3. 定义 Person 类, 并且封装一个 和狗玩 的方法

  • 在方法内部, 直接让 狗对象 调用 game 方法
 1 class Dog(object):
 2 
 3     def __init__(self, name):
 4         self.name = name
 5 
 6     def game(self):
 7         print("%s 蹦蹦跳跳的玩耍..." % self.name)
 8 
 9 
10 class XiaoTianQuan(Dog):
11 
12     def game(self):
13         print("%s 飞到天上去玩耍..." % self.name)
14 
15 
16 class Person(object):
17 
18     def __init__(self, name):
19         self.name = name
20 
21     def game_with_dog(self, dog):
22 
23         print("%s 和 %s 快乐的玩耍..." % (self.name, dog.name))
24 
25         # 让狗玩耍
26         dog.game()
27 
28 
29 # 1. 创建一个狗对象
30 # xiaohei = Dog("小黑")
31 xiaohei = XiaoTianQuan("小黑")
32 
33 # 2. 创建一个小明对象
34 xiaoming = Person("小明")
35 
36 # 3. 让小明调用和狗玩的方法
37 xiaoming.game_with_dog(xiaohei)

 

转载于:https://www.cnblogs.com/xinmomoyan/p/10351044.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