iOS概念入门学习-Foundation-protocol

本文详细介绍了Protocol的概念、使用流程以及高级应用代理模式。通过实例解析了如何定义、采纳、实现Protocol,并在程序员与保姆的场景中展示了代理模式的实际应用。文章最后总结了Protocol的用法对解决编程问题的贡献。

概要:本文介绍了protocol的使用,十分类似其他语言中的“接口”功能,那么我们就一起来看看protocol的详细介绍吧

一、protocol的概念

1.定义

协议的声明看起来比较类似于Java中一个类的接口,但是和接口不同的是:协议没有父类也不能定义实例变量。
协议是一种特殊的程序设计结构,用于声明专门被别的类实现的方法。

2.protocol的使用流程

定义协议—-> 在类中采用指定的协议 —->实现协议中的方法(注意方法有必须实现和选择实现两种)
如图:
这里写图片描述

(1)定义协议

格式:
@protocol 协议名称 <NSObject>
//方法声明列表
@end

注意: 协议默认的要采纳NSObject的协议

(2)采纳协议

1)类遵守协议
创建类的时候遵守某个或者某几个协议
@interface 类名 : 父类 <协议名称>
@end
//默认遵守NSObject协议
@interface 类名 : 父类 <协议名称1,协议名称2>
@end
2)某个协议也遵守某个或者某些协议,一个协议可以遵守其他多个协议,
(i)协议遵守协议
@protocol 协议名称 <其他协议名称>
@end
(ii)多个协议之间用逗号 , 隔开。
@protocol 协议名称 <其他协议名称1, 其他协议名称2>
@end
3)实现协议中的方法

3.protocol中@required和@optional

@required和@optional是 协议方法声明中的两个关键字 他们主要用于控制方法是否要实现(默认是@required),在大多数情况下, 用途在于程序员之间的交流
@required代表必须实现的方法
@optional代表非必须实现的方法

二、protocol的基本使用

使用方法已经在上面介绍过了,下面就用一个实例来将其串联起来。
实例名称:我要找保姆
1.首先定义协议
这里写图片描述
2.采纳协议
这里写图片描述
3.实现协议中的方法
这里写图片描述
4.调用
这里写图片描述

三、protocol的高级应用–代理模式

1.代理模式实例-程序员和保姆

想想一种场景,作为一个平时没什么时间的程序员,显然做家务,打扫卫生不是他的擅长,但显然许多程序员是找不到女朋友的,还好程序员工资很高,他可以请个保姆来帮他完成这些事情。像这样自己做不了而让其他对象帮忙完成的方式就称为代理模式。下面我们直接来看实例:
(1)定义两个类
既然是代理,肯定就是至少二者之间的关系,首先定义两个类
这里写图片描述
(2)定义协议
这里写图片描述
(3)采纳协议
这里写图片描述
(4)实现协议中的方法
这里写图片描述
(5)令程序员雇佣一个保姆,保姆必须遵循保姆协议
这里写图片描述
(6)调用
这里写图片描述

2、protocol代理模式应用场合

代理设计模式的场合:
* 当对象A发生了一些行为,想告知对象B (让对象B成为对象A的代理对象)
* 对象B想监听对象A的一些行为 (让对象B成为对象A的代理对象)
* 当对象A无法处理某些行为的时候,想让对象B帮忙处理 (让对象B成为对象A的代理对象)

需求方:
1、定义代理
2、设置代理属性
3、调用方法
代理方:
1、遵守协议
2、成为代理
3、实现协议方法

总结:protocol的用法大大增强了我们处理问题的方式,代理模式也为我们解决问题提供了全新的方法和角度,自己做不了就委托 给别人做,一切都是那么理所当然。

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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