.Net知识点(基础加强)

【 C# 和 .NET 基础 的核心知识点】 本文系统梳理了C#和.NET的核心知识点,涵盖运行环境、数据类型、面向对象编程、集合与泛型、LINQ查询、资源管理、异常处理和文件操作等关键内容。重点解析了值类型与引用类型区别、OOP三大特性、泛型集合特点、异步编程模式以及异常处理机制。通过对比表格清晰呈现了抽象类与接口、常用集合类型等核心概念的差异与应用场景,为开发者提供了全面的技术参考和最佳实践指导。 阅读详情

一、关键字作用

this:

      1)当前类的对象 2)调用自己的构造函数

new:

       1)创建对象时  2)隐藏父类的成员


二、访问修饰符(能够修饰类的访问修饰符只有俩个internal和public)

   public:公开的,公共的

   private: 私有的,只有能在当前类的内部访问,类中的成员们,如果不加访问修饰符,默认就是private

   protected: 受保护的,可以在当前类的内部访问,也可以在该类的子类中访问

   internal:当前项目中都可以访问。

三、常用关键字

this

base:调用父类的构造函数(成员)

new

virtual :标记一个方法是虚方法

abstract:抽象的

override:重写

interface:接口

partial:部分类

sealed:密封类:不允许被继承(但是别人可以继承它)

return:1》在方法中返回返回的值,2》立即结束本次方法

break :跳出当前循环

continue:结束本次循环,回到循环条件进行判断

static:静态的

struct:结构

enum:枚举

const:常量


abstract方法使用及实例

1、练习题     外部设备(抽象方法)

    1)分析

 

   2)创建一个控制台应用程序

         先写父类,再写三个子类,最后写电脑

 1\

   /// <summary>
    /// 移动存储设备(父类)
    /// 俩个抽象函数(一个读,一个写)
    /// </summary>
    public abstract class MobileStorage 
    {
        public abstract void Read();
        public abstract void Write();


    }

2\
    /// <summary>
    /// 子类MobileDisk继承MobileStorage
    /// 继承抽象类后,必须重写抽象类中所用的抽象类成员
    /// </summary>
    public class MobileDisk:MobileStorage
    {
        public override void Read()
        {
            Console.WriteLine("移动硬盘在读取数据");
        }
        public override void Write()
        {
            Console.WriteLine("移动硬盘在写入数据");
        }
    }
    /// <summary>
    /// 子类UDisk继承MobileStorage
    /// </summary>
    public class UDisk : MobileStorage 
    {
        public override void Read()
        {
            Console.WriteLine("U盘在读取数据");
        }
        public override void Write()
        {
            Console.WriteLine("U盘在写入数据");
        }
    }
    /// <summary>
    /// 子类MP3继承MobileStorage
    /// </summary>
    public class MP3 : MobileStorage 
    {
        public override void Read()
        {
            Console.WriteLine("Mp3读取数据");
        }
        public override void Write()
        {
            Console.WriteLine("Mp3写入数据");
        }
        public void PlayMusic() 
        {
            Console.WriteLine("Mp3播放音乐");
        }
    }

3\

 /// <summary>
    /// 电脑类
    /// 按父类处理,父类屏蔽各个子类中的差异
    /// </summary>
    public class Computer 
    {
        //拿父类俩种方式(1)传值(2)声明一个MobileStorage,存储父类
        //1)一种方式:从电脑父类中传入值
        //public void CPURead(MobileStorage ms)
        //{
        //    ms.Read();
        //}


        //2)第二种方式,声明一个类
        public MobileStorage MS
        {
            get;
            set;
        }
        public void CPURead()
        {
            this.MS.Read();
        }
        public void CPUWrite() 
        {
            this.MS.Write();
        }
    }

4\

    class Program
    {
        static void Main(string[] args)
        {
            //实例化对象
            MobileDisk md = new MobileDisk();
            MP3 mp3 = new MP3();
            UDisk u = new UDisk();


            Computer cpu = new Computer();
            //子类可以赋值给父类
            cpu.MS = md;
            cpu.CPURead();
            cpu.CPUWrite();
            Console.ReadKey();
        }
    }

      2、 虚方法,抽象方法总结

     虚方法需注意:

   1)父类中如果有方法需要子类重写,则可以将该方法标记为virtual

  2)虚方法在父类中必须有实现,哪怕是空实现

 3)虚方法子类可以重写(override),也可以不重写

   抽象方法注意:

  1)需要abstract关键字标记

 2)抽象方法不能有任何方法实现

3)抽象成员必须包含在抽象类中

4)由于抽象成员没有任何实现,所以子类必须由抽象成员重写

5)抽象类不能实例化,抽象类的作用是为了让子类继承

6)抽象类中不能包括抽象成员,可以包括有具体代码的成员

7)抽象方法不能有static修饰


四、接口

 一、接口注意:

 1)接口中只能包含方法(属性、事件、索引器也都是方法)

2)接口中成员都不能有任何实现

3)接口中不能被实例化

4)接口中成员不能有任何访问修饰符(默认public)

5)实现接口的子类必须将接口中的所有成员全都实现

6)子类实现接口的方法时,不需要任何关键字,直接实现即可

7)接口存在的意义就是为了多态

二、接口是什么?什么时候使用接口?使用接口的目的是什么?

  接口是为了规范一个能力,表示一个能力

 目的实现多态



 

传智播客.NET培训种子全集(杨中科) 传智播客.NET培训系列全集教程,杨中科老师,课程全面而且完整! 立即下载

相关推荐

Asp.net参考知识点即总结重点(笔记)

Asp.net参考知识点即总结重点(笔记)

.NET知识点总结

1.简述 private、 protected、 public、internal 修饰符的访问权限 private : 私有成员, 在类的内部才可以访问(只能从其声明上下文中进行访问)。 protected : 保护成员,该类内部和从该类派生的类中可以访问。 Friend:友元 ,声明 friend 元素的程序集中的代码可以访问该元素,而不能从程序集外部访问。 Protected Friend:在...

ITwangmenghan的博客 2948

视频教程之DotNet基础加强

面向对象. 静态类静态成员 抽象类抽象成员 值类型和引用类型 接口与异常处理. 文件流 序列化. 敏感词过滤 委托

.NET 知识点(持续更新)

值类型:struct 、 enum 、 int 、 float 、 char 、 bool 、 decimal引用类型:class 、 delegate 、 interface 、 array 、 object 、 string装箱:把值类型转换成引用类型拆箱:把引用类型转换成值类型装箱:对值类型在堆中分配一个对象实例,并将该值复制到新的对象中。第一步:新分配托管堆内存 ( 大小为值类型实例大小加上一个方法表指针。第二步:将值类型的实例字段拷贝到新分配的内存中。

Winemonk 2218

NET知识点汇总.doc

NET知识点汇总文档完整版,凭借个人经验总结而来,附含完整实例代码及注释,非常适合初学及自学者下载使用,有问题可留言!

保姆级教程:用微信小程序+OneNet MQTT API,5分钟搞定温湿度数据实时展示

本文提供了一份详细的教程,教你如何利用微信小程序和OneNet MQTT API在5分钟内实现温湿度数据的实时展示。从OneNet平台配置到小程序数据绑定,手把手指导零基础开发者快速搭建监控系统,涵盖API调用、数据解析和界面设计等关键步骤。

weixin_30298497的博客 370

.Net知识大全(个人整理)

.Net知识大全 本章内容适用于对.NET有一定基础的或者是想通过本文章对.NET基础知识记不清楚的朋友,可以通过本文章进行回顾。 面试的时候可能也会遇到相应的题目,建议面试前进行回顾!!! 1.NET和C#是什么关系? C#就是为宣传.NET而创立的,它直接集成于Visual Studio .NET中,VB也在.NET 1.0发布后对其进行支持, 所以这两门语言与.NET平台耦合度很高,...

weixin_30575309的博客 1199

DLMS—Cryptographic algorithms—(Green-Book)加密算法

密码学是数学的一个分支,基于数据的转换,并且可以用来提供多种安全服务:保密性、数据完整性、认证、授权和不可否认性。密码学依赖于两个基本组成部分:算法(或密码学方法)和密钥。算法是一个数学函数,而密钥是在转换过程中使用的参数。密码算法和密钥用于对数据应用密码保护(例如,加密数据或生成数字签名),以及移除或检查保护(例如,解密加密的数据或验证数字签名)。密码哈希函数:这类函数不需要密钥(尽管它们可以以使用密钥的模式使用)。哈希函数通常用作算法的一个组成部分,以提供安全服务。见9.2.3.2节。对称密钥算法。

一个bug是bug,多个bug能work 1709

.Net网络知识点总结

.Net网络知识点总结 一、什么是网络? 各个孤立的工作站或主机相连在一起,从而达到资源共享和网络通信的目的。 网络分为两类:局域网和广域网 局域网:由多个计算机组成的封闭的计算机组(两台或同一区域多台),实现数据共享,发送信息;优点规模小,容易搭建 广域网:把分布在不同区域的局域网互相连接起来(因特网,www(万维网,环球信息网)) 二、网络协议 1、 TCP协议:是一种以固线连接 (1) 可以反馈数据是否送达 是可靠的 (2) 需要创建连接请求,连接成功后发送数据 效率低(点对点连接) 2、 UDP协

weixin_44543135的博客 2413

如何用SoulChat2.0快速克隆你的心理咨询师?手把手教你搭建AI数字孪生体

本文详细介绍了如何利用SoulChat2.0框架快速构建心理咨询师的AI数字孪生体。通过其核心PsyDT技术,仅需少量真实案例即可合成风格数据并微调大模型,从而低成本地创建能高度模仿特定咨询师语言风格和专业技术的AI分身,适用于预约访谈、心理教育等辅助场景,实现高效的人机协作。

julia4scientist的博客 978

HBuilderx连接微信开发者工具

系列文章目录 文章目录系列文章目录前言一、环境1.HBuilerx 工具2.微信开发者工具二、关联微信开发者工具1.HBuilderx新建项目2.关联微信开发者工具3.运行微信小程序出现异常解决方法3.最终效果总结 前言 使用HBuilderx工具关联微信开发者工具,进行小程序开发 提示:以下是本篇文章正文内容,下面案例可供参考 一、环境 1.HBuilerx 工具 HBuilderx 2.微信开发者工具 微信开发者工具 二、关联微信开发者工具 1.HBuilderx新建项目 2.关联微信开发者工具

拥有必珍惜 3075

.NET(C#)基本理论知识

.NET(C#)基本理论知识 1.什么是 .NET .NET是一种用于构建多种应用的免费开源开发平台,可以使用多种语言,编辑器和库开发Web应用、Web API和微服务、云中的无服务器函数、云原生应用、 移动应用、桌面应用、Windows WPF、Windows窗体、通用 Windows平台 (UWP)、游戏、物联网 (IoT)、机器学习、控制台应用、Windows服务。.NET类库 在不同应用和应用类型中共享功能,无论构建哪种类型的应用,代码和项目文件看起来都一样,

PML97402的博客 1614

Ubuntu零基础教学-史上最详Ubuntu20.04安装教程,超级详细,强烈建议收藏!

官网地址:https://www.vmware.com/ 1、VMware Workstation Pro 15.5.1在Windows 10的安装不再介绍了,一路下一步即可。 2、下面详细介绍在VMware 虚拟机里安装Ubuntu 20.04 LTS的步骤

**My Coding Family** 2万+

【自学笔记】.NET基础知识点总览-持续更新

定义:.NET 是一个由微软开发的,用于构建多种类型应用程序(如 Windows 桌面应用、Web 应用、移动应用、游戏等)的开源开发平台。核心组件:.NET Framework、.NET Core(现已统一为 .NET 5 及更高版本)、C# 编程语言、CLR(公共语言运行时)等。提示:这里对文章进行总结:例如:以上就是今天要讲的内容,自学记录.NET基础知识点总览。

2301_78806917的博客 825

3D打印机控制系统设计:基于MATLAB的3D打印机运动学建模、轨迹规划和控制

控制实现:在控制实现中,需要将轨迹规划的结果转化为实际的控制指令,控制3D打印机按照规划的轨迹进行运动。3D打印机的运动学建模:3D打印机的运动学建模是指将3D打印机的机械结构、传动系统和运动控制部件等抽象成数学模型,以便于进行控制系统的设计和分析。轨迹规划:轨迹规划是指根据3D模型的几何形状和打印机的运动学模型,计算出打印机需要执行的运动轨迹,以便于实现所需的打印效果。控制实现:控制实现是指将轨迹规划的结果转化为控制指令,控制3D打印机按照规划的轨迹进行运动。

走向CTO的路上... 2473

《网络信息制作与发布》实训全流程:从专题策划、网站构建到前端实现与上线发布

本文详细介绍了WEB设计专题网站从策划到发布的全流程。主要内容包括:1.网络专题设计(确定主题、编写策划方案、素材搜集整理);2.网站结构构建(设计二级栏目、绘制布局图);3.艺术设计(配色方案、版式设计);4.网页制作(使用Dreamweaver进行标准化布局);5.信息发布(通过Dreamweaver和CuteFTP上传文件、网站维护与备份)。以"学习WEB设计"专题为例,采用框架结构,包含20余个栏目,使用深灰和蓝色为主色调。文章提供了完整的操作步骤和技术要点,适用于网站开发学习者

深耕计算机专业知识与技术。 1532

C# .Net基础知识点解答

C# .Net基础知识点解答 1. 什么是.NET?什么是CLI?什么是CLR?IL是什么?JIT是什么,它是如何工作的?GC是什么,简述一下GC的工作方式? 通俗的讲,.Net是微软开发应用程序的一个平台; CLI是Common Language Infrastructure,是公共语言架构; CLR是Common Language Runtime,即公共语言运行时; I...

weixin_30532837的博客 87

31、车载通信中的可见光通信(VLC)技术解析

本文详细解析了车载通信中可见光通信(VLC)技术的应用背景、优势及发展前景。对比传统RF通信技术(如DSRC),VLC利用LED照明设备实现高效、安全的车辆与车辆、车辆与基础设施之间的通信,具有频谱资源丰富、安全性高、无电磁干扰等优势。文章还探讨了VLC在交叉口交通控制、高速公路通信、自动驾驶等场景的应用潜力,展望了其在未来智能交通系统中的重要作用。

hill8的博客 318

VB.NET知识点简单回顾——仅适合有其他语言基础

一、VB.NET入门1.入门:一个简单的VB.NET程序结构2.VB.NET的基本数据类型3.VB.NET中的类型转换函数4.Shared(共享)修饰符和Static(静态)修饰符的区别5.VB.NET中常量和枚举类型的声明6.VB.NET声明语句7.VB.NET指令8.VB.NET流程控制语句条件判断语句:循环语句:控制语句:9.VB.NET字符串属性及常用方法10.VB.NET数组11.VB.NET函数返回值12. VB.NET函数传参13.VB.NET的构造函数和析构函数14.VB.NET继承15.V

lxf13249256607的博客 1236

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

.net面试基础知识点

<br />1, 请你说说.NET中类和结构的区别?<br />  答:结构和类具有大体的语法,但是结构受到的限制比类要多。结构不能申明有默认的构造函数,为结构的副本是又编译器创建和销毁的,所以不需要默认的构造函数和析构<br />函数。结构是值类型,所以对结构变量所做的改变不会影响其的原值,而类是引用类型,改变其变量的值会改变其原值。申明结构用Struck关键字,申明类用class关键字,向方法<br />传递结构是时是通过值传递的,而不是通过引用。与类不同,结构的实例化可以不使用New关键字。类可以实现

狂野之城 4544

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

.NET 基础 一步步 一幕幕 [.NET基础知识点]

.NET基础知识点 l .Net平台 .Net FrameWork框架 l .Net FrameWork框架提供了一个稳定的运行环境,;来保障我们.Net平台正常的运转 l 两种交互模式 C/S:要求客户的电脑上必须要安装一个客户端:qq、360、快播等..... B/S:要求客户的电脑上只需要安装一个浏览器 l 书写代码需要注意的地方: n...

weixin_30713953的博客 247

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")

.net的基础知识点

在这个It市场都是风云变化的,都是又市场供需来定的,当年iOS火的一塌糊涂的,现在也出现找不到工作的,满地的出入门者,我就属于其中一个,在一个逼不得已的情况下,开始转行做.net ,我相信当年的很多.net 的小伙伴也是想走出那片工资低,满地都是的.net ,那时候,学校,培训机构都是在培训.net ,导致导出都是.net 的软件工程师.在那个年代,也只有.net 属于软件工程师.现在不管是在前程...

weixin_30528371的博客 186

.net基础知识点

操作系统与IIS版本:Win 2000是IIS 5.0Win XP是IIS 5.1Win 2003是IIS 6.0Vista和2008是IIS 7.0 NET Framework 3.5 = .NET Framework 3.0 + .NET Framework 3.0 SP1.NET Framework 3.0 = .NET Framework 2.0 + .NET Framewor

zklovezll的专栏 563

.Net几个基础知识点

1、.NET是什么? .Net全称.NET Framework是一个开发和运行环境, 该战略是微软的一项全新创意, 它将使得“互联网行业进入一个更先进的阶段”, .NET不是一种编程语言. 简单说就是一组类库框架, .NET开发支持C#、VB.NET、J#、Jsript和Managed C++等。 C#是.NET Framework框架支持的一种主力开发语言, 可用于开发ASP.NE

ghevinn欢迎您光临 1037

ADO.NET基础知识点总结

使用ado.net对sql server 进行一些基本的操作,包括调用存储过程,使用事务,封装SqlHelper

爱生活 爱编程 794
下一篇: 常用类库—--字符串
嘴角微笑
博客等级 码龄14年 0粉丝 5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