Java国王:我来告诉你什么才是真正的封装!

深度学习与生物神经网络的本质差异:从计算契约到工程妥协 人工神经网络(ANN)并非对生物神经网络的简化模拟,而是在数学可微性、硬件并行性与训练效率约束下演化出的独立信息处理范式。其核心原理是将感知-决策任务建模为可优化的非线性映射,依赖反向传播实现全局梯度更新,以换取GPU上毫秒级收敛能力。这种设计牺牲了生物系统的时空连续性、事件驱动性与稀疏通信等物理真实,却换来了确定性训练、模块化架构与跨任务泛化等关键技术价值。典型应用场景包括图像识别、自然语言处理及推荐系统等数据密集型任务,其中Transformer的全局注意力与CNN的层次化特征提取,正是计算契约在不同约 阅读详情

Java 帝国第一代国王正式登基,百官前来朝贺。

大臣甲说道:“恭喜陛下登基,为了吸引更多程序员加入我国,臣建议尽快完善我们Java语言的OOP特性,封装、继承、多态。”

国王说:“一个个来,先说说封装吧, 我们现在已经可以把数据和方法放到一个类中,接下来想办法隐藏信息,限制对他们的访问了, 我听说现在有不少人在使用C++, 能不能从它借鉴一下啊? ”

大臣乙对C++很有好感,他说:“陛下圣明,C++那里有pubic, private,protected 等关键字,可以用于修饰属性和方法,我们直接拿过来用得了。”

public class Person{
    private String name;
    private int age;

    public String getName(){
        return name;
    }
    public int getAge(){
        return age;
    }
}

“如此甚好!”   国王表示赞许,不过他眼珠一转,突然想到了早些年出现的Python, 他问道:“Python是怎么处理封装这个问题的?”

大臣甲从Python王国“倒戈”而来,怀着对故国的歉意,十分想把Python的语法带来一点给Java,听到国王这么问起,赶紧说到:“Python的处理比较简单,用两个下划线来表示私有的属性和方法。”

class Person:
    def __init__(self, name):
        self.name = name
        # 私有属性
        self.__age = 10 

    # 私有方法
    def __secret(self):
        return  self.__age

p = Person("andy")
#可以访问
print(p.name)   
#私有属性,无法访问
print(p.__age)  
#私有方法,无法访问
print(p.__secret())  

可是国王却说:“嗯,这种方式挺简单的嘛,用下划线就实现了,很简洁,我们能不能也这样啊?”

大臣乙有点瞧不起这个脚本语言,他赶紧说:“万万不可,陛下有所不知,这个Python啊,即使加了下划线,也只是‘伪私有’的属性和方法。”

“什么是伪私有?”

“就是说外界依然有方法访问他们!”

#用这种方法,依然可以访问伪私有属性和方法
print(p._Person__age)       # 10
print(p._Person__secret())  # 10

“这算哪门子私有的属性和方法?  一点都不纯粹。” 大臣乙继续补刀。

国王说:“好吧,那不学它了, 那JavaScript呢?他是怎么实现封装的?”

朝中的大臣们面面相觑,JavaScript? 这是什么鬼?怎么没有听说过?

(码农翻身注:JavaScript的出现时间比Java要晚, 这个Java国王估计是穿越了。)

把类隐藏起来

大臣甲看到自己的想法没有“得逞”,又另辟蹊径:“陛下,Python有module的机制,可以把多个类组织到一起,形成一个高内聚的单元,我们Java要不也这么干?”

国王瞪了大臣甲一眼,训斥道:“不要什么都学Python!  我们也得有点独特的东西啊。对于如何组织class, 我们可以用package,一个package对应文件系统的一个目录,下面可以有多个class文件。 如果一个类没有被public 修饰,那他只能被同一个package下面的类访问,其他package的类是访问不到的。这个设计不错吧?!” 

国王甚为得意。

640?wx_fmt=png

同一个package下有三个类A,B,C, 只有class A能被外边的包访问到,可以充当这个包对外的“接口” (注:不是java 的interface ), B,C只是包级可见的类, 相当于包内部的实现了,外界是无法new 出来, 防止了被外界误用。

只要保证A不发生变化,就不会影响外界使用, B和C想怎么改就怎么改!

类的朋友

大臣甲小心地问道:“如果我只想把foo.core中的class B暴露给foo.cmd访问,同时阻止别的包访问class B,该怎么办呢? ”

640?wx_fmt=png

“怎么会有这么‘变态’的需求? ”  朝中各位大臣都表示不可思议。

国王沉吟道:“程序员的要求是无穷无尽的,例外总是会发生的, 这种需求是存在的, 容朕想想。”

熟悉C++的大臣乙赶紧上奏:“陛下,C++ 有个什么friend class的概念。 例如在class Node 中声明了 friend class LinkedList , 那LinkedList 就可以访问Node 类的属性和方法了。 ”

640?wx_fmt=png

大臣甲强烈反对这种做法:“不好不好,虽然看起来给程序员提供了方便,但是给封装性撕开了一个大口子,如果被滥用,后果不堪设想。”

国王表示同意:“对,还是放弃这种想法吧,保持简单性最重要。 如果他实在想访问class B,可以采用两种办法:(1) 把 class B 变成 public  (2) 通过接口class A来进行代理。”

模块化

斗转星移,转眼间Java国王已经传到了第9世。

这一天,邻国的Python,  JavaScript派使者来访,受到了国王的热情招待,席间谈到了java package的存在的问题。

Java package的方式虽然不错,可是还是有很大的弊端,其中最大的弊端就是很多包中的类都是public的, 这就造成了这样一种情况。

640?wx_fmt=png

640?wx_fmt=gif

本来是想让org.foo.api对外提供接口,让Client去调用的,但实际上,只要foo.jar放到classpath中,另外两个package , org.foo.impl, org.foo.core中的类也就暴漏了。

JavaScript使者说道:“奥, 我原来以为贵国的一个jar文件就是一个可复用的模块, 现在看来还是远远不够啊!”

“怪不得大家都说,你的一个jar文件就是class的压缩包, classpath就是把这些类给平铺而已。” Python使者笑道。

Java国王心中有点生气,但是脸上没有表露出来:“贵国是怎么实现的啊?”

Python使者想了想, 自家的module好像也差不多,并且只能靠约定(给变量和方法的前面添加下划线)的方式来实现private , 由于是约定的,外界依然可以访问。

JavaScript想到自己连module, package都没有,赶紧噤声。

Java 国王说:“简单的jar文件缺乏一个重要的特性:隐藏内部实现, 寡人打算做一个重要的改变,定义真正的模块!”

640?wx_fmt=png

“看到没有? 我打算用一个文件module-info.java来定义一个模块中有哪些包是可以被export的, 只有那些export的包才能被Client所调用, 其他的包对Client都是不可见的。 ”

看到这个设计方案,各个大臣都觉得不错。 有了模块, 就真正地定义了对外可以访问的接口,除了接口的那个package之外,其他的package是不可访问的, 彻底实现了封装。

ServiceLoader

Python使者盯着这个图看了一会儿,说道:“不对吧,假设有这样的代码:”

FooService service = new FooServiceImpl();

640?wx_fmt=png

“其中FooService 是org.foo.api包下面的类, FooServiceImpl是org.foo.impl下面的类, 按照你模块化的要求,这个FooServiceImpl是不能被Client所访问的, 那怎么才能创建FooService呢?”

Java国王心想这Python使者对我Java语言挺熟悉的啊,搞得我下不来台。

“陛下,臣以为可以用工厂模式解决!” 终于有大臣前来救驾。“创建一个新的类FooServiceFactory,把它放到org.foo.api包下,可以公开调用,这样不就行了?”

public class FooServiceFactory{
    public static FooService getFooService(){
        return new FooServiceImpl();
    }
}

Python使者却继续施压: “不过让人不爽的是, 这个FooServiceFactory虽然属于api包,但是需要知道impl包的具体实现。 如果想添加一个FooService的实现,还得修改它。还是不妥啊!”

突然,Java国王拍了一下脑袋,对了,我怎么把ServiceLoader给忘记了呢?

我可以把原来的模块分成两个模块,org.foo.api表示接口, org.foo.provider表示实现。

在org.foo.provider中特别声明,本模块可以提供FooService的实现!

provides org.foo.api.FooService with  org.foo.provider.FooServiceImpl

640?wx_fmt=png640?wx_fmt=gif

Python使者还是不太明白: “那客户端怎么使用呢?”

“简单,Client 代码可以这么写:”

Iterable<FooService> iter = 
    ServiceLoader.load(FooService.class);

遍历iter,获取FooService并且使用。

这样在运行时,Client的代码就可以使用ServiceLoader就可以找到这些具体的实现了, 当然实现可能不仅仅只有一个,Client选择一个就可以了。


当然,JDK必须得实现这个ServiceLoader,去获取这些具体的实现。

“这个方案,即不破环封装性,又提供了足够的灵活性,相当于在运行时装配对象,陛下圣明!”  大臣们纷纷拍马屁。

Python使者见状,也就不再发言,开始低头喝酒。

JavaScript 使者半天都没有开口了,他心里一直在琢磨,我是不是有点落伍了? Python有模块,Ruby也有模块,这Java的模块化更是搞得如火如荼。模块化极大地提升了封装性,如果想进行大型项目的开发这模块化是少不了的, 想想自家那凌乱不堪的js文件, 是时候做出改变了......


(完)

码农翻身,用故事讲解技术本质, 更多精彩文章,请移步《码农翻身三年文章精华》

生成式引擎优化(GEO):启动GEO优化的5个有效策略 随着生成式AI的普及,传统SEO正被GEO(生成式引擎优化)取代。本文提出GEO五大核心策略:用户意图解析、结构化内容设计、语义关键词优化、对话式内容创作和权威信源建设。研究表明,优化后的内容在AI答案中的引用率提升300%,点击率增长27%。文章还介绍了BERT模型、Schema标记等关键技术工具,并指出未来GEO将向多模态优化、实时数据更新方向发展。企业需避免简单堆砌关键词,应建立长期内容策略,通过结构化、权威性内容在AI时代保持竞争优势。 阅读详情

相关推荐

PX4 EKF2协方差矩阵‘负定’了怎么办?保姆级排查与数值稳定性修复指南

本文深入解析PX4 EKF2协方差矩阵出现‘负定’问题的原因,并提供全面的排查与修复方案。从理论分析到实践操作,详细介绍了数值稳定性危机的诊断工具、算法加固措施及工程实践中的防御性编程技巧,帮助飞控工程师有效解决滤波算法中的数值稳定性问题。

weixin_28730927的博客 319

Java经典算法——国王赏麦

题目: 国王按棋盘格数和一定规律对一人进行赏麦,第一格赏1粒,第二格赏2粒,第三格赏4粒……,以此类推,求第n格所赏麦总数? import java.util.Scanner; public class GWSM { public static void main(String[] args) { int n;//格子数为n double

Roger1279的博客 2293

完美解决LBP2900打印机安装驱动提示无法识别USB及连接错误等问题(附Win11全新安装支持及卸载方案)

LBP2900打印机虽然经典老旧,但在Win11上依然可以完美使用!许多网上教程都无视安装失败后的问题,在此分享一种全新、100%有效的方法来解决驱动连接错误和无法识别USB设备的问题。无论是新安装还是卸载重装,这个方法都适用。本文整合了通用驱动包,支持Win2000到Win11系统,操作简单,轻松摆脱安装困扰,享受无忧打印体验!

心开始の未来~的博客 2万+

java封装,你理解了么?

封装的概念封装是面向对象的方法应该遵循的一个重要原则!也叫做数据隐藏。 从形式上看,封装不过是将数据和行为组合在一个包中,仅仅提供调用属性的方法。 对象中的数据称为属性,操纵数据的过程叫做方法(method)对于每个特定的类实例(也就是对象),都有一组特定的实例域值。这些值的集合就是这个对象的当前状态(state).无论何时,只要向对象发送一个消息,它的状态就有可能发生改变。 实现封装的关键在于绝对不能让类中的方法直接地访问其他类的实例域。程序仅通过对象的方法,与对象数据进行交互。封装给对象赋予了“黑...

weixin_39006798的博客 379

Grafana企业版vs开源版:从安装到插件管理的完整对比实测(含离线部署技巧)

本文深入对比Grafana企业版与开源版在安装流程、插件管理和功能限制等方面的差异,特别针对离线部署场景提供实用技巧。通过实测数据源支持、权限管理等核心功能,帮助企业用户做出明智选择,同时详细介绍离线安装和插件签名验证等关键操作。

weixin_29313817的博客 108

新手必看!Stata工具变量分析中的三大陷阱:如何正确解读LM统计量、CDW检验和Hansen J值

本文深度解析Stata工具变量分析中的三大核心检验:不可识别检验、弱IV检验和过度识别检验,帮助新手避开常见陷阱。详细解读LM统计量、CDW检验和Hansen J值的正确使用方法,提供实战案例和Stata操作指南,确保研究结论的可靠性。

weixin_29231027的博客 575

设置项目JVM参数的几种方式及使用jvisualvm打开分析dump文件

最近阅读《深入理解java 虚拟机》,对书中的一些例子进行实操 故记录一下自己的学习内容。 设置项目JVM参数 1.Idea中修改JVM内存大小 1.选择启动类 选择Edit configuration 2在VM option修改JVM参数 2.windows下修改tomcat JVM内存大小 1. 通过startup.bat启动tomcat Windows直接打开Tomcat根目录下的bin文件夹,编辑catalina.bat, 在set JAVA_OPTS=%JAVA_OPTS%…这句之后加上:set

林先生学习博客 2256

(八)基于MuJoCo的LeRobot SO100仿真操控实战指南(操作优化)

本文详细介绍了如何在MuJoCo仿真环境中搭建并优化LeRobot SO100机械臂的操控。通过两种核心模式(纯键盘仿真与实机镜像同步)的实战演示,重点讲解了关键的参数标定方法,以实现虚拟模型与真实硬件的精准同步。文章还提供了性能优化技巧,旨在帮助开发者构建高效、安全的机器人算法开发与测试流程。

weixin_29083649的博客 320

详解什么是java中的封装

不想起床 2235

流媒体之LL-HLS 低延时HLS协议

LL-HLS协议通过扩展了HLS协议,为实时直播场景提供了更丰富的功能,如延迟控制、播放列表增量更新、阻止播放列表重新加载等。同时客户端可以更灵活地控制播放列表的加载和播放,以适应各种场景和需求。LL-HLS在直播中的延时可以控制在3s内, 但是即使这样, 还是不如RTMP, RTSP等协议的实时性。

技术控的笔记 3368

通过Robotstudio修改机器人程序的具体方法和步骤

通过Robotstudio修改机器人程序的具体方法和步骤

Robot_PLC_HMI_Automation 6394

JAVA封装基础

一.封装的作用 1.类的内部会有一些固定数据,创建对象,操作对象时可能会改变类的的属性(数据),为了保护类的属性,需要对类的属性进行封装。 public class User{ final int num=100; String name; int age; int id; } class MainClass{ public static void main(String[] args) { User user1 = new User(); user1.num=12; //错误 num为常量不可改变 use

qq_42378227的博客 230

真正会做事的AI-自动化控制平台OpenClaw

OpenClaw 是一个本地与远程智能代理/自动化控制平台它由OpenAI 社区 / 第三方开发团队开发,用于连接本地计算资源、云服务和自定义脚本提供架构总结:OpenClaw 就像一个“智能中枢”,把你的服务器、脚本、工具和浏览器界面连接起来,方便统一管理和自动化操作。

zy_xingdian的博客 458

Allen Holub如果我是国王

Allen Holub 指出,Java 编程语言的线程模型可能是此语言中最薄弱的部分。它完全不适合实际复杂程序的要求,而且也完全不是面向对象的。本文建议对 Java 语言进行重大修改和补充,以解决这些问题。Java 语言的线程模型是此语言的一个最难另人满意的部分。尽管 Java 语言本身就支持线程编程是件好事,但是它对线程的语法和类包的支持太少,只能适用于极小型的应用环境。关于 Java

lannos的专栏 987

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

嘿~一起从零学Java吧--封装_单例

嘿~一起从零学Java吧--封装_单例一.封装1.封装的概念2.封装的作用3. 实现二.构造方法1.格式2.作用三.范围权限修饰符,final,static1.四个权限修饰符2.final,static四.单例模式定义实例 一.封装 1.封装的概念 封装是将类的某些信息隐藏在类的内部,不允许外部程序直接访问,而是通过该类提供的方法来对隐藏的信息进行操作和访问。 2.封装的作用 对类的保护,防止该类的代码和数据被外部类定义的代码随机访问。要访问该类的代码和数据,必须通过严格的接口控制。 (1)类内部结构可以自

weixin_53617298的博客 420

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

java策略案例国王,骑士_实例说明策略模式

最近工作不是很多,正好抽出时间学习一下期待已经的设计模式,作为一名刚毕业一年的开发人员更应该多抽出些时间了解一下设计模式。此片文章对策略模式做一个总结,希望对大家有帮助。(题外话:策略模式之前只是看定义和一些简单的例子,根本不明白,最后一头雾水,不过下面这个小例子还挺有趣的哦,能很好的理解到底什么是策略模式。)一.案例设计一个动作冒险类游戏,游戏大概是这样的:游戏中有不同的角色,每个角色战斗时使用...

weixin_32589877的博客 711

第一集:爪哇国第十七代国王(java17)

从 JDK 8 到 JDK 17,Java 经历了 9、10、11、12、13、14、15、16 这八个版本的迭代,因此积累了大量的改进:

weixin_41432135的博客 47

如果我是国王:关于解决 Java 编程语言线程问题的建议

google_ad_client = "pub-8800625213955058";/* 336x280, 创建于 07-11-21 */google_ad_slot = "0989131976";google_ad_width = 336;google_ad_height = 280;//<script type="text/java

java专栏 363

如果我是国王:关于解决 Java编程语言线程问题的建议

Java 语言的线程模型是此语言的一个最难另人满意的部分。尽管 Java 语言本身就支持线程编程是件好事,但是它对线程的语法和类包的支持太少,只能适用于极小型的应用环境。 关于 Java 线程编程的大多数书籍都长篇累牍地指出了 Java 线程模型的缺陷,并提供了解决这些问题的急救包 (Band-Aid/ 邦迪创可贴 ) 类库。我称这些类为急救包,是因为它们所能解决的问题本应是由 Java 语

qianzongming的专栏 1613

[NOIP2012 提高组] 国王游戏:贪心策略的数学证明与高精度实现详解

本文详细解析了NOIP2012提高组经典题目《国王游戏》的贪心策略与高精度实现。通过数学证明揭示了按左右手乘积排序的正确性,并提供了高精度乘法、除法及比较的代码实现,帮助读者掌握算法竞赛中的关键技巧与常见错误规避方法。

534

【Java 线程基础四】如果我是国王:关于解决 Java 编程语言线程问题的建议

Java 语言的线程模型是此语言的一个最难另人满意的部分。尽管 Java 语言本身就支持线程编程是件好事,但是它对线程的语法和类包的支持太少,只能适用于极小型的应用环境。 关于 Java 线程编程的大多数书籍都长篇累牍地指出了 Java 线程模型的缺陷,并提供了解决这些问题的急救包 (Band-Aid/ 邦迪创可贴 ) 类库。我称这些类为急救包,是因为它们所能解决的问题本应是由 Java 语言本...

weixin_30399055的博客 167

灵魂拷问:protected 和 default,到底谁的“朋友圈”更大?

魔法结界在皇室内部 (Same Class)在城堡内部 (Same Package)在远方亲戚家 (Subclass in Different Pkg)在平民区 (Different Package)故事比喻public✅ (国王)✅ (职员)✅ (亲戚)✅ (平民)皇家公告栏protected✅ (国王)✅ (职员)✅ (亲戚)❌皇室传家宝default✅ (国王)✅ (职员)❌❌城堡厨房的秘密private✅ (国王)❌❌❌国王的私人日记• public。

郑龙飞 1189

好心封装工具类,结果被领导怒怼:“会不会写代码!”

先上脑图,不理解的可以看下面文章!身为程序员,你可能没有系统的学习过设计模式,但是你一定知道单例模式,因为它相对简单,而且最常被大家所用到。既然大家都用到过,也都知道为什么我还要单独列出一...

陈宇明 244

设计模式 - 抽象工厂模式

设计模式 - 抽象工厂模式

学习学习学习学习 366

多线程-如果我是国王

Java 语言的线程模型是此语言的一个最难另人满意的部分。尽管 Java 语言本身就支持线程编程是件好事,但是它对线程的语法和类包的支持太少,只能适用于极小型的应用环境。 关于 Java 线程编程的大多数书籍都长篇累牍地指出了 Java 线程模型的缺陷,并提供了解决这些问题的急救包 (Band-Aid/ 邦迪创可贴 ) 类库。我称这些类为急救包,是因为它们所能解决的问题本应是由 Ja...

tommy14101的博客 179
上一篇: Git是纯函数式数据结构?
下一篇: 看完这篇文章,你肯定理解什么是浮点数了!
码农翻身
码农翻身 《码农翻身》作者 《码农翻身》作者
博客等级 码龄8年 3万+粉丝 1084原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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