C#委托的介绍(delegate、Action、Func、predicate)

委托是一个类,它定义了方法的类型,使得可以将方法当作另一个方法的参数来进行传递。事件是一种特殊的委托。


============================================================================================

1、delegate(常用的一种声明,匿名方法)

Delegate至少0个参数,至多32个参数,可以无返回值,也可以指定返回值类型。

public delegate void MyDelegate(string name);
public class MyBlogBase
{
   private MyDelegate mydelegate;
}
(1) 自定义Delegate时,我们常常发现Delegate必须全局可见,才能在其他地方可见并使用,而下面Action,Func的出现改变了这一局面,这两个其实说白了就是系统定义好的Delegate。

(2) 其实匿名方法,有个优点,就是可以直接使用当前函数出现的变量,代码更简洁,但可能有些人觉得不易读



============================================================================================

2、Action(无返回值的泛型委托)

(1) Action 默示无参,无返回值的委托
(2) Action<int,string> 默示有传入参数int,string无返回值的委托
(3) Action<int,string,bool> 默示有传入参数int,string,bool无返回值的委托
(4) Action<int,int,int,int> 默示有传入4个int型参数,无返回值的委托
Action至少0个参数,至多16个参数,无返回值。


Action<T>:封装一个方法,该方法只有一个参数并且不返回值。其中T是可接收的任何类型。使用代码如下:

public static void Main()
{
      Action<string> messageTarget; 

      //方法是实例化 Action<T> 委托,而不是显式定义一个新委托并将命名方法分配给该委托。
      messageTarget = ShowWindowsMessage;
      messageTarget("Hello, World1!");   

      // Action<T> 委托与匿名方法一起使用
      messageTarget = delegate(string s) {ShowWindowsMessage(s); };
      messageTarget("Hello, World2!");

      //将 lambda 表达式分配给 Action<T> 委托实例
      messageTarget = s => ShowWindowsMessage(s); 
      messageTarget("Hello, World3!");
}      

private static void ShowWindowsMessage(string message)
{
      MessageBox.Show(message);      
}


============================================================================================

3、Func(有返回值的泛型委托)
(1) Func<int> 默示无参,返回值为int的委托
(2) Func<object,string,int> 默示传入参数为object, string 返回值为int的委托
(3) Func<object,string,int> 默示传入参数为object, string 返回值为int的委托
(4) Func<T1,T2,,T3,int> 默示传入参数为T1,T2,,T3(泛型)返回值为int的委托
Func至少0个参数,至多16个参数,按照返回值泛型返回。


必须有返回值,不成void。

public static void Main()
{
      // 实例化 Func<T, TResult> 委托
      Func<string, string> convertMethod = UppercaseString;
      string name = "Dakota1";
      Console.WriteLine(convertMethod(name));

      //将 Func<T, TResult> 委托与匿名方法一起使用
      Func<string, string> convert = delegate(string s)
         { return UppercaseString(s);}; 

      string name = "Dakota2";
      Console.WriteLine(convert(name));

      //将 lambda 表达式分配给 Func<T, TResult> 委托。
      Func<string, string> convert = s => UppercaseString(s);
      string name = "Dakota";
      Console.WriteLine(convert(name));   
}

private static string UppercaseString(string inputString)
{
      return inputString.ToUpper();
}


============================================================================================

4、Predicate(返回bool型的泛型委托)

(1) predicate<int> 默示传入参数为int 返回bool的委托

Predicate有且只有一个参数,返回值固定为bool


Predicate<T>返回值为bool无重载, 表示定义一组条件并确定指定对象是否符合这些条件的方法.此方法常在集合的查找中被用到,如:数组,正则拼配的结果集中被用到。使用此方法快捷方便,使用代码如下:

Predicate<int> myPredicate;
        int[] myNum = new int[8] { 12, 33, 89, 21, 15, 29, 40, 52 };
       public int[] myResult;
        public MyBlogBase()
        {
            myPredicate = delegate(int curNum)             { if (curNum % 2 == 0) return true;               else return false;             };
        }  
        public void StartPredicate()
        {
            myResult = Array.FindAll(myNum, myPredicate);
        }
上例中说明了Predicate的使用,FindAll方法中,参数2即是一个Predicate,在具体的执行中,每一个数组的元素都会执行指定的方法,如果满足要求返回true,并会被存放在结果集中,不符合的则被剔除,最终返回的集合,即是结果判断后想要的集合,此方法应用场景感觉像迭代中的yield。


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