typescript 学习 系列 (六)

// 1.abstract 抽象类:就是把共用的东西进行封装。    只能被继承,不能实例化
	abstract class chouxiangA {
	      name :string = '抽象类';
	      // 就是你知道下面类中都有这个方法,但是你不知道方法里具体写什么。这样的话定义abstract
	      abstract getName() :string
  	}
  	// 类一
  	class chouxiangB extends chouxiangA{
    	getName(){
      		return this.name
    	}
 	}
  	var chouxiangQ = new chouxiangB()
  	console.log(chouxiangQ.getName()).    //抽象类
  	
  	// 类二
  	class chouxiangC extends chouxiangA{
    	getName(){
      		return 'abstract'
    	}
  	}
  	var chouxiangQ = new chouxiangC()
  	console.log(chouxiangQ.getName())   //abstract


// 2.类应用一个接口 implements,  一个类可以定义多个接口
	interface yingyongA {
		name : string
	}
	interface yingyongD {
		set():string
	}
	
	class yingyongB implements yingyongA,yingyongD{
		name = 'zqc';
		set(){
			return 'string'
		}
	}

// 3.联合类型(|)和类型保护  
	interface Dog {
	  	fly:boolean,
	  	sing:()=>{}
	}
	interface Ren {
	  	fly:boolean,
	  	chi:()=>{}
	}

// 类型保护的方式
	// 1.类型断言的方式
	function leixingduanyan(animal:Dog | Ren){
  		// animal.chi()  //这个时候调用chi就会报错,因为不确定是否有chi
  		(animal as Ren).chi()  //类型断言,可以让程序知道是否有这个方法。可以防止报错。
	}
	// 2.in 语法
	function leixingduanyan1(animal:Dog | Ren){
	  	if('chi' in animal){
	    	animal.chi()
	  	}else{
	    	animal.sing()
	  	}
	}
	//3.typeof语法来做类型保护
		function add(first: string | number, second: string | number) {
	  	// 这样的话就会报错,不确定这两个参数加起来的类型返回是什么
	  	//   return first + second;
	  	if (typeof first === 'string' || typeof second === 'string') {
	      	return `${first}${second}`
	  	}else{
	    	return first + second;
	  	}
	}
	// 4.instanceof 进行类型保护。  
	// NumberObj 必须使用class声明,不能使用interface。只有class里面才有instanceof
	class NumberObj {
	  	count: number;
	}
	function addSecond(first: object | NumberObj, second: object | NumberObj ){
	  	// return first.count + second. count;
	  	if (first instanceof NumberObj && second instanceof NumberObj) { 
	    	return first.count + second. count;  
	  	}
	}
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