PHP基础学习-变量

PHP基础学习-变量
变量的定义:变量是用于存储信息的容器
//例:
<?php
$x=5;
$y=6;
$z=$x+$y;
echo $z;
?>
PHP变量规则

1.变量以$开头,后边跟着变量名

2.变量名必须以字母或者下划线字符开始

3.变量名只能包含字母数字字符以及下划线(A-z,0-9,_)

4.变量名不能包含空格

5.变量名严格区分大小写

注意:PHP语句和PHP变量都是区分大小的
PHP是一门弱类型的语言,PHP会根据变量的值,自动把变量转换为正确的数据类型.在强类型的编程语言中,我们必须在使用变量前先声明(定义)变量的类型和名称.
PHP变量作用域

变量的作用域是脚本中变量可呗引用/使用的部分.

PHP有四种不同的变量作用域:

1.local

2.global

3.static

4.parameter

全局作用域:在所有函数外部定义的变量,拥有全局作用域.
//例:
<?php 
$x=5; // 全局变量 

function myTest() 
{ 
$y=10; // 局部变量 
echo "<p>测试函数内变量:<p>"; 
echo "变量 x 为: $x"; 
echo "<br>"; 
echo "变量 y 为: $y"; 
}  

myTest(); 

echo "<p>测试函数外变量:<p>"; 
echo "变量 x 为: $x"; 
echo "<br>"; 
echo "变量 y 为: $y"; 
?>
注意:可以在不同的函数中使用相同的变量名称,因为这些函数内定义的变量名是局部变量,只作用于该函数.
global关键字

global 关键字用于函数内访问全局变量

//例:
<?php
$x=5;
$y=10;

function myTest()
{
    global $x,$y;
    $y=$x+$y;
}

myTest();
echo $y; // 输出 15
?>

PHP将所有的全局变量存储在一个名为$GLOBALS[index]的数组中.index保存变量的名称.这个数据可以在函数内部访问,也可以直接用来更新全局变量.
上面的示例可以写成这样:

//例:
<?php
$x=5;
$y=10;

function myTest()
{
     $GLOBALS['y']=$GLOBALS['x']+$GLOBALS['y'];
} 

myTest();
echo $y;
?>
Static作用域

当一个函数执行完成时,它的所有变量通常都会被删除.如果,希望没够局部变量不要被删除.在生命这个变量前添加static关键字.

//例:
<?php
function myTest()
{
  static $x=0;
  echo $x;
  $x++;
}

myTest();
myTest();
myTest();
?>
parameter参数作用域

参数是通过调用代码将值传递给函数的局部变量.

//例:
<?php
function myTest($x)
{
     echo $x;
}
myTest(5);
?>
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