千锋java学习第四周总结

本文详细探讨了接口与抽象类的区别,包括它们的定义、特点和使用场景。接口提供了多实现的能力,而抽象类只能被单继承。接口中的方法默认为公共抽象方法,而抽象类可以包含具体实现。

新的一周又过去了  ,该对这一周知识做一个总结了

接口,现实生活中接口很多人会想到Usb接口,它的作用起到了连接的作用。

在程序中也是一个连接的作用,而当你能够连接的东西越多,相对来说耦合度就越低,连接的东西越少,耦合度越高

接口与抽象类的区别:

不同点:
1、接口可以多实现,而抽象类只能单继承
2、抽象类可以有非抽象的方法和构造方法、变量,但是接口只能有抽象方法,静态常量。
3、抽象类和子类具有父子关系,子类能拥有父类中一些属性。接口虽然某个类实现一个接口,但是由于接口中的变量都为静态常量,不存在继承关系。

4、接口中的属性只能是公开静态常量(隐式使用public static final修饰)

5、2). 接口中的方法只能是公开抽象方法(隐式使用public abstract修饰)

相同点:
1、无论接口还是抽象类,都无法直接实例化,其自身实例化需要靠实现类或子类来实现。
2、接口和抽象类都必须实现其中的所有方法。

 

接口不是类,尤其不能使用new运算符实例化一个接口。但是可以声明接口的变量,这个变量可以指向实现了此接口的实现类。

接口书写方法

public interface Interface
{
  public static final int i; //public和static和final位置顺序可以换,在接口中也可以不写,隐式存在
  

   public void method1(); //接口中的方法一定是抽象方法,所以不用abstract修饰
  
}

微观和宏观看接口:

微观:

接口是种能力和约定:接口的定义:能力

                                    方法的定义:约定

宏观:

接口是一种标准。

耦合度:模块与模块之间的关联程度,关联的越密切,耦合越高,关联的越松散,耦合越低。

接口的规范:

任何类在实现接口时,必须实现接口中所有的抽象方法,否则此类为抽象类。(和继承相似,如果子类没有覆盖父类中的抽象方法,那么子类只有定义为抽象方法,举例(父类为动物,子类为猫,而猫的下面还有各种类型的猫,如短耳猫,波斯猫......,那么,猫这个类就可以定义为抽象类))

实现接口中的抽象方法时,访问修饰符必须是public。(应为在在接口中方法的访问修饰符为public , 实现类的访问修饰符范围必须大于接口或者和接口相等,所以实现类的访问修饰符必须为public)

 

接口引用

同父类一样,接口也可声明为引用,并指向实现类对象。(Interface in = new  实现类)

注意:

1). 仅可调用接口中所声明的方法,而不可调用实现类中独有的方法。(和继承相似)

2). 可强转回实现类的本身类型,进行独有的属性和方法的调用。(强转前通过instanceof判断)(强转:实现类 in2 = (实现类)in)

 

接口的多态:

不再关注具体的类型,而是关注行为(如果关注的是一个类型(船,飞机,车),那么接口的范围就会大大减少,而如果看住的是一个行为(可以漂浮的,可以跑的,可以飞的),这样的话接口的范围将会增加,其耦合度也会降低。)

常见关系

类与类:单继承,extends父类名称

类与接口:多实现,implements 接口名称1,接口名称2,接口名称...3接口名称n

接口与接口:多继承,extends 父接口名称1,父接口名称2...父接口名称n

常量接口:

将多个常用于表示状态和固定值的变量,以形态常量的形式定义在接口中统一管理,提高代码的可读性。

 

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论 11
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