Java SE 010 面向对象之封装

(1)一个人只要自己不放弃自己,整个世界也不会放弃你.
(2)天生我才必有大用
(3)不能忍受学习之苦就一定要忍受生活之苦,这是多么痛苦而深刻的领悟.
(4)做难事必有所得
(5)精神乃真正的刀锋
(6)战胜对手有两次,第一次在内心中.
(7)编写实属不易,若喜欢或者对你有帮助记得点赞+关注或者收藏哦~

Java SE 010 面向对象之封装

1.类中的属性

又叫做成员变量(member variable),属性用英文表示为property或者叫做attribute.

2.对象(Object)

又叫做实例(Instance)。生成一个对象的过程又叫做实例化。

3.命名约定

(1)类:首字母大写,如果一个类名由多个单词构成,那么每个单词的首字母都大写,中间不使用任何的连接符。(千万不要用汉语拼音来命名类名,因为使用英文可以让每一个人都看明白)

(2)方法:首字母小写。如果一个方法由多个单词构成,那么第一个单词的所有字母全都小写,从第二个单词开始,每个单词的首字母大写。

(3)属性:命名约定与方法相同。

(a)属性定义在类中,又叫做成员变量

(b)定义在方法中的变量,叫做局部变量

4.如何定义属性?

public class Person{
	修饰符 类型 属性名称;
}

5.如何使用属性?

(1)与方法一样,使用.运算符。

(2)首先需要生成类的实例,然后使用实例+“.”的方式来使用属性。

例如:

Person person = new Person();
person.age

(3)局部变量使用前必须先声明,并且赋初始值。但成员变量使用前必须要声明,但可以不赋初值。

6.成员变量与局部变量的联系与区别

(1)无论是成员变量还是局部变量 ,使用前都必须要声明(定义)。

(2)对于局部变量来说,使用前必须要初始化,对于成员变量来说,使用前可以不初始化。如果没有初始化成员变量就开始使用,那么每个类型的成员变量都有一个默认的初始值。

  • byte、short、int、long类型的初始值为0.
  • float、double类型的初始值为0.0。
  • char类型的初始值为:’\u0000’
  • boolean类型的初始值为:false.
  • 引用类型(reference type)

(3)引用类型是用在对象上的,引用类型是用来指向一个对象的,一个对象都是通过引用来操纵的,这是java的一个特点。在java中我们使用任何一个方法或者是操作某个类的属性,都是通过引用来去实现的。

(4)一个对象可以被多个引用所指向,但同一时刻,每个引用只能指向唯一的一个对象。如果一个对象被多个引用所指向,那么无论哪个引用对对象的属性进行了修改,都会反应到其他的引用当中。

(5)在java里面都是通过引用来间接的操纵对象的。

用所指向,那么无论哪个引用对对象的属性进行了修改,都会反应到其他的引用当中。

(5)在java里面都是通过引用来间接的操纵对象的。

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