java 中super和this 的一些应用

public class ExtendsSuperAndThis {


public static void main(String[] args) {
// TODO Auto-generated method stub
Father f = new Father();//我是父类中的无参数构造方法
Son s = new Son();// 我是父类中的无参数构造方法 ,我是子类中的无参数构造方法  默认调用父类 中无参数构造方法。
System.out.println(f.name);//张三
System.out.println(s.name);//李四
s.say();//我是李四,张三他儿子
f.say();//我是张三

Son s1 = new Son("hello",70);//调用父类中有参数的构造方法:我是父类中的有参数构造方法,我是子类中的有参数构造方法2

}


}
class Father{
String name = "张三";
String add;
double height;
double weight;

public void say() {
System.out.println("我是张三");
}

public Father() {
super();
System.out.println("我是父类中的无参数构造方法");
}


public Father(String name, String add, double height, double weight) {
super();
this.name = name;
this.add = add;
this.height = height;
this.weight = weight;
System.out.println("我是父类中的有参数构造方法");
}


}
class Son extends Father{
String name = "李四";
String add;
double height;
double weight;
String school;
public void say() {
System.out.println("我是李四,张三他儿子");
}

public Son() {
super();
System.out.println("我是子类中的无参数构造方法");
}

public Son(String school) {
this();//调用本参数中的构造方法
this.school = school;
System.out.println("我是子类中的有参数构造方法1");
}

public Son(String school,double weight) {
super("王五","北京",180,60);
this.school = school;
this.weight = weight;
System.out.println("我是子类中的有参数构造方法2");
}
}
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