Go语言学习笔记1

1、“ ` ”(反引号)的使用:

使⽤ "`" 定义不做转义处理的原始字符串,⽀持跨⾏。(正则表达式此处不涉及)

s := `a
b\r\n\x00
c`
println(s)

输出:

a
b\r\n\x00
c

2 for循环:

不要期望编译器能理解你的想法,在初始化语句中计算出全部结果是个好主意。

str:="hello jiangzhou"
	// 1)局部变量,for结束,变量释放;2)避免多次调用len()函数 多次调用如:i<len(str)
	for i,n:=0, len(str);i<n;i++{
		fmt.Printf("%c",str[i])
	}

3 Range

类似迭代器操作,返回 (索引, 值) 或 (键, 值)。

4、变参

变参本质上就是 slice。只能有⼀个,且必须是最后⼀个。
 

func test(s string, n ...int) string {
	var x int
	for _, i := range n {
		x += i
	}
	// 参数格式化  fmt.Printf():打印
	//参数格式化:fmt.Sprintf(s, x) 返回string
	return fmt.Sprintf(s, x)
}
func main() {
	println(test("sum: %d", 1, 2, 3))
}

输出:sum: 6

使⽤ slice 对象做变参时,必须展开。

func main() {
s := []int{1, 2, 3}
println(test("sum: %d", s...))
}

5、defer使用
延迟调⽤参数在注册时求值或复制,可⽤指针或闭包 "延迟" 读取。
 

func main() {
	x,y:=10,20
	//先加载匿名函数,复制x的值给i,等到main函数结束之前,运行
	defer func(i int){
		fmt.Println("defer:",i,y)  // i:复制之前的x值,y:应用变量y的值
	}(x)  
	x+=10
	y+=20
	fmt.Println("x=",x,"y=",y)
}

运行结果:

x= 20 y= 40
defer: 10 40

6、map

1)注意事项1

引⽤类型,哈希表。键必须是⽀持相等运算符 (==、 !=) 类型,⽐如 number、 string、pointer、 array、 struct,以及对应的 interface。值可以是任意类型,没有限制。

预先给 make 函数⼀个合理元素数量参数,有助于提升性能。因为事先申请⼀⼤块内存,可避免后续操作时频繁扩张。

不能保证迭代返回次序,通常是随机结果,具体和版本实现有关。
2)注意事项2:

从 map 中取回的是⼀个 value 临时复制品,对其成员的修改是没有任何意义的。

使用指针:

7、struct

值类型,赋值和传参会复制全部内容。可⽤ "_" 定义补位字段,⽀持指向⾃⾝类型的指针成员。
 

type user struct {
	_ int //补位字段
	id int
	data *byte
	next *user  //指向自身类型的指针

}
func main()  {
	u:=user{1,124,nil,nil}
	fmt.Println(u)
}

运行效果:{0 124 <nil> <nil>}

8、⾯向对象

⾯向对象三⼤特征⾥, Go 仅⽀持封装,尽管匿名字段的内存布局和⾏为类似继承。没有class 关键字,没有继承、多态等等。

type User struct {
	id   int
	name string
}
type Manager struct {
	User
	title string
}

func main() {
	m := Manager{User{001, "jiangzhou"}, "Go语言"}
	var u User = m.User  //同类型拷⻉
	fmt.Printf("m的地址:%p\n m.User的地址:%p\n u的地址:%p",&m,&m.User,&u)
}

结构体的地址与首字段的地址相同。

了解更多Go语言知识https://study.163.com/course/introduction/1210620804.htm

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