Objective-C:深复制(拷贝)

深复制:复制对象时,如果对象中包含对象类型的实例变量,要对对象类型的实例变量也要做对象复制。新对象中的对象类型实例变量和旧对象中的对象类型实例变量指的是不同的对象。不管任何一方实例变量对对象做修改,都互相不影响对方所指向的对象的内容。

  .h文件

复制代码
 1 //  Person.h
 2 //  03-对象复制
 3 //
 4 //  Created by ma c on 15/8/14.
 5 //  Copyright (c) 2015年. All rights reserved.
 6 //
 7 
 8 #import <Foundation/Foundation.h>
 9 
10 @interface Person : NSObject<NSCopying>
11 @property(nonatomic,copy)NSMutableString *name;//(copy)深拷贝
12 @property(nonatomic,assign)NSInteger age;
13 -(id)initWithName:(NSMutableString*)name andAge:(NSInteger)age;
14 -(void)show;
15 @end
复制代码

  .m文件

复制代码
//  Person.m
//  03-对象复制
//
//  Created by ma c on 15/8/14.
//  Copyright (c) 2015年. All rights reserved.
//

#import "Person.h"

@implementation Person
-(id)initWithName:(NSMutableString*)name andAge:(NSInteger)age
{
    self = [super init];
    if(self)
    {
        //复制对象有两种,
        //copy:复制出来的是一个不可变对象
        //mutableCopy:复制出来的是一个可变对象
        
        
        /*
        对OC内置对象来说,内置类型有可变和不可变之分,
                       自定义的类没有这个区别,都是可变的。
        */
        _name = [name mutableCopy];
        _age = age;
    }
    return self;
}
-(void)show
{
    NSLog(@"name:%@,age:%lu",_name,_age);
}
-(void)dealloc
{
    [_name release];
    [super dealloc];
}
-(id)copyWithZone:(NSZone *)zone
{
    //深复制
    //创建对象类型实例变量的副本
    //NSMutableString *name = [_name copy];
    return [[Person alloc]initWithName:_name andAge:_age];
}
@end
复制代码

  .m主函数

复制代码
 1 //  main.m
 2 //  03-对象复制
 3 //
 4 //  Created by ma c on 15/8/14.
 5 //  Copyright (c) 2015年. All rights reserved.
 6 //
 7 
 8 #import <Foundation/Foundation.h>
 9 #import "Person.h"
10 int main(int argc, const char * argv[]) {
11     @autoreleasepool {
12         // 测试Person类
13         NSMutableString *name = [NSMutableString stringWithString:@"Tom"];
14         
15         Person *p1 = [[Person alloc]initWithName:name andAge:20];
16         [p1 show];
17         
18         [name appendString:@"Jerry"];
19         
20         Person *p2 = [[Person alloc]initWithName:name andAge:21];
21         [p2 show];
22         
23         [p1 show];
24         
25         //对象复制,自定义对象必须要实现NSCopying协议才能支持对象复制
26         Person *p3 = [p1 copy];
27         [p3 show];
28         
29         [p1.name appendString:@"123"];//因为copy,p1和p2指向不同对象,互不影响
30         [p3 show];
31         
32         NSMutableString *name2 = [NSMutableString stringWithString:@"Jobs"];
33         [p1 setName:name2];//p1和p3指向的是不同的对象,互不影响
34         [p3 show];
35         
36         [p1 release];
37         [p2 release];
38         [p3 release];
39     }
40     return 0;
41 }
复制代码

  测试结果如下:

复制代码
2015-08-14 16:54:53.912 03-对象复制[1512:99948] name:Tom,age:20
2015-08-14 16:54:53.913 03-对象复制[1512:99948] name:TomJerry,age:21
2015-08-14 16:54:53.913 03-对象复制[1512:99948] name:Tom,age:20
2015-08-14 16:54:53.913 03-对象复制[1512:99948] name:Tom,age:20
2015-08-14 16:54:53.914 03-对象复制[1512:99948] name:Tom,age:20
2015-08-14 16:54:53.914 03-对象复制[1512:99948] name:Tom,age:20
Program ended with exit code: 0
复制代码

 

程序猿神奇的手,每时每刻,这双手都在改变着世界的交互方式!


本文转自当天真遇到现实博客园博客,原文链接:http://www.cnblogs.com/XYQ-208910/p/4730533.html,如需转载请自行联系原作者
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。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。以下是度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**: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. **度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署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。 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