大数据系列修炼-Scala课程01

 

简介

 

由于本人刚毕业,也是从事软件开发相关的工作。想再学习一下关于大数据、移动互联网、云计算相关的技术。为我的未来打好基础、并且从零开始学习大数据相关的知识,脚踏实地的走好每一步,听行业前辈说毕业生刚工作的三年是非常关键的,所有我每天抽出一点时间学习大数据相关知识, 也算是给我我未来买一份保险吧!也有从事大数据相关的工作的打算,也是未来规划的一部分吧!少年!

 

关于Scala介绍

Scala首先是一门编程语言,并且非常纯粹的面向对象编程语言,语法也非常简洁,相对java。Scala结合的"命令式"和"函数式"编程的风格!期待了解Scala相关知识,与c、c++、java、C#有什么不同呢?就让我快速加入学习中探究吧!

 

 

Scala起步课程

首先,学习这一系列课程大致按照王家林老师的DT大数据梦工厂(微信公众账号:DT_Spark)的视频。希望大家关注并一起学习。今天我会从最基础的开始学起,并在blog后分享相关视频,会发布最新的和我学习课程的心得。希望大家多多指教!

1)Scala开发环境搭建和HelloWorld解析

环境搭建主要包括jdk、Scala环境变量的添加,jdk安装以及环境配置就不用多说了,网上收一下贼多了啊!Scala安装配置也不是很难,跟jdk差不多,下载,安装,配置就欧了,下载地址(http://www.scala-lang.org/download/all.html),环境配置就添加SCALA_HOME变量和在path中添加路径就行了,回到命令窗口测试一下就行了。

这些都安装好了,就还差集成开发环境了,Windows中推荐用IntelliJ IDEA ,对于我呢,在学校玩过一点关于spark的知识的基础也有一点了解,对于初学者我也现在eclipse开发了,Scala官网有相关的集成工作,下载安装就可用了,非常方便。地址(http://scala-ide.org/index.html)

前面都成功了,下面就进行it界最经典的例子,HelloWorld的实现,这个也不知道是谁最先使用的,每种语言对它是情有独钟啦!从这个就能大体知道这门语言的独特之处了。前面都说了Scala是函数式编程,实现这个例子非常简单,def定义一个函数就ok了。比java简洁很多了,unit标示符表示返回结果,输出就用println就行了。

/**
 * @author Administrator
 */
object HelloScala {
  def main(args: Array[String]): Unit = {
    println("Hello Scala!!")
  }
}
2)Scala函数定义、流程控制、异常处理入门实战

函数定义只需加一个def就行了后面添加函数名和参数,参数形式(参数名1:类型,参数名2:类型,.....)再加一个返回值就行。

流程控制就if else的编写,与java没有什么区别

异常处理try捕获异常catch抛出异常用Case匹配,最后finally。

package com.dt.zhangsh.scala
/**
 * @author Administrator
 */
object HelloScala {
  
  def main(args: Array[String]): Unit = {
    //main里面都行
    //firstMenth("This is ", 21)
    
//    for(arg <- args) println(arg)
//    
//    var file = "scala.txt"
//    //判断语句
//    if (!args.isEmpty) file = args(0)
  }
  //Scala函数定义
  def firstMenth(para1:String,para2:Int){
    println(para1+":"+para2)
  }
  //可以在object中访问
//   firstMenth("This is ", 21)
  //流程控制
//  def doWhile(){
//    var line = ""
//        do {
//          line = readLine()
//          println("Read: " + line)
//        } while (line != "")
//  }
//  
  //异常处理
      val n = 99
    try {
      val half = if (n % 2 == 0) n /2 else throw 
        new RuntimeException("N must be event")
      // Use the file 
    }catch {
      case e : Exception => println("The exception is :" + e.getMessage())
    }finally{
    }
}
View Code
3)Tuple、Array、Map与文件操作入门实战

Tuple有点像key-value,简洁定义

Array简洁,有点像js与java的结合

Map键值对,key->value

文件操作就从source中fromfile方法获取文件,接着对文件进行操作。

import scala.collection.mutable.ArrayBuffer

/**
 * @author Administrator
 */
object Tuple_Array_MapOps {
  def main(args: Array[String]): Unit = {
    //Tuple操作
    def tupleOp()
    {
      val tuples=("spark","Hadoop","scala")
      println(tuples._1)
      println(tuples._2)
      println(tuples._3)
    }
//    tupleOp()
    
    //Array操作
    def ArrayOp()
    {
    val s = Array("Hello", "World")
    for (i <- 0 until s.length)
      println(i + ": " + s(i))
    }
//   ArrayOp()
  }
//Map操作
  def MapOp()
  {
    val mappara = Map("book"->10,"gun"->18,"ipad"->1000)  
    for((k,v) <- mappara) println("key is :"+k+",value is "+v)
  }
  MapOp()
}
4)For与Function进阶实战、Lazy的使用

For循环 把数组(para1 to para2)遍历后给变量para3,写法for(para3 <- para1 to para2,para4 <-para5 to para6 if para3!para4)标红的是首要条件

Function函数 def定义函数,并且函数都使用返回值,可以匿名函数,但是要在主要迭代函数不能使用没有返回值哦

lazy的使用  lazy修饰变量就延迟加载,第一次加载的时候加载!

import scala.io.Source

/**
 * @author Administrator
 */
object For_Function_LazyOps {
  def main(args: Array[String]): Unit = {
    //for操作
    def forOp()
    {
      //格式 for(para1 <- para2 to para3;para4 <- para5 to para6) para2 to para3与para5 to para6看做数组,遍历后把值给前面的参数
        for(i <- 1 to 2; j <- 1 to 2) println((100*i + j) + "  ")
      //后面可以跟首要条件 if加表达式
//        for(i <- 1 to 2; j <- 1 to 2 if i != j) print((100*i + j) + "  ")
    }
//    forOp()
    
    //Fuction 定义
    def FunctionOp()
    {
        //定义函数
          def  addA(x : Int) = x +100
        //匿名定义函数
          val  add = (x : Int) => x +200
          println("The result from a function is : " + addA(2))
          println("The result from a val is : " + add(2))
        //迭代函数必须有返回类型
          def fac(n:Int):Int = if (n <= 0) 1 else n * fac(n - 1)
          println("The result from a fac is : " + fac(10))    
    }
//    FunctionOp()
    
    //Lazy操作
    def LazyOp()
    {
    lazy val file = Source.fromFile("D:\\test.txt")
//  println("Scala")
   for (line <- file.getLines) println(line)
    }
    LazyOp()
  }
}

今天就聊到这儿!

百度网盘地址:http://pan.baidu.com/s/1hqAh8US

 

转载于:https://www.cnblogs.com/524646016-zhang/p/zhangsh_dt_scala_01.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
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