墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.7k累计阅读
1.8k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
一直对抽象类和接口有点疑惑，咋看功能差不多，网上找了点资料，看到一个比喻不错，记录一下。
1.飞机会飞，鸟会飞，他们都继承了同一个接口“飞”；但是F22属于飞机抽象类，鸽子属于鸟抽象类。
2. 就像铁门木门都是门（抽象类），你想要个门我给不了（不能实例化），但我可以给你个具体的铁门或木门（多态）；
而且只能是门，你不能说它是窗（单继承）；一个门可以有锁（接口）也可以有门铃（多实现）。
门（抽象类）定义了你是什么，接口（锁）规定了你能做什么（一个接口最好只能做一件事，你不能要求锁也能发出声音吧（接口污染））。
如果你对抽象类和接口有更好的理解方式，欢迎讨论。
ChatGPT Plus完整开通指南：从账号注册到稳定使用全流程
自然语言处理（NLP）技术通过深度学习模型实现对人类语言的理解与生成，其核心原理是基于Transformer架构的大规模预训练。GPT-4作为当前最先进的生成式AI模型，在代码编写、文档分析等场景展现出显著的技术价值。在实际应用中，稳定的网络环境和合规的支付方式是确保AI助手持续服务的关键因素。针对ChatGPT Plus的开通，需要系统性地解决账号验证、虚拟信用卡支付等工程实践问题，才能实现工作流的高效整合。
分享一个关于面向对象的贴切比喻
今天在看《软件设计精要与模式（第2版）》这本书，书中对面向对象有一个非常形象的比喻，摘录下来，和所有人分享：面向对象思想就像是法理的精神，设计原则则相当于基本宪法，而设计模式就好比是各式各样的成文法了。《软件设计精要与模式（第2版）》确实是一部难得的佳作。上周在图书馆借书的时候，我第一眼就在新书架上发现了这本书，翻开第1页还没有看完，我就知道这是部绝对值得一读的好书，立马借出来，极力推荐大家去读一读。附两个网址：作者张逸先生的博客：http://www.cnblogs.com/wayfarer/在线阅读：h
卡尔曼滤波与目标追踪
卡尔曼滤波与目标追踪为什么要学卡尔曼滤波？卡尔曼滤波是什么？一些概率论的知识基础卡尔曼滤波完整推导状态估计计算卡尔曼增益预测和更新 卡尔曼滤波部分我打算分三节（三次博客的内容）： 卡尔曼滤波与行人状态估计 扩展卡尔曼滤波（EKF）与传感器融合 过程模型，无损卡尔曼滤波（UKF）与车辆状态轨迹 为什么要学卡尔曼滤波？ 卡尔曼滤波以及其扩展算法能够应用于目标状态估计，如果这个目标是行人，那么就是行人状态估计（或者说行人追踪），如果这个目标是自身，那么就是车辆自身的追踪（结合一些地图的先验，GPS等数据的话就
面向对象编程（OOP）理解
面向对象与叫化鸡比喻 面向对象的比喻实在太多了。不知哪个比喻更能让你明白呢？ 理解面向对象编程 (Object Oriented Programming 简称OOP) 所谓"面向对象编程",其实指的是一种编程思想模式。与之对应的是"面向过程编程"。 两者有什么区别？ 我们先展开一下想象,话说你想请洪七公吃叫化鸡。 按照现代的做法，是将一只鸡杀死拔毛之后清洗干净鸡腔内脏，并在里面填充
Demo2Reward：用人类演示动态优化VLM奖励模型提示
多模态大模型（VLM）的奖励建模正面临核心瓶颈——静态提示导致语义鸿沟与泛化失效。其本质是将人类判断标准固化为不可更新的文本模板，使奖励信号脱离真实任务意图。Demo2Reward提出范式级改进：以结构化人类演示为元信号，驱动提示权重连续优化，实现从‘结果打分’到‘过程理解’的跃迁。该方法不修改VLM主干，却显著提升RLHF收敛效率与OOD鲁棒性，在医疗、工业质检等场景验证了跨任务迁移与热修复能力。它重新定义了提示工程的技术价值：不是前端微调，而是奖励系统的认知校准基础设施。
Matlab实战：用DQN算法让机器人学会自主避障（附完整代码）
本文详细介绍了如何使用Matlab实现DQN（深度Q网络）算法，使机器人在复杂环境中学会自主避障。通过环境建模、网络架构设计、奖励函数优化及实战调试，提供了完整的代码实现和训练策略，帮助开发者快速应用于机器人路径规划项目。
面向对象三大特点的理解---比喻的很形象
封装: 首先,属性可用来描述同一类事物的特征,行为可描述一类事物可做的操作, 封装就是要把属于同一类事物的共性(包括属性与行为)归到一个类中,以方便使用. 比如人这个东东,可用下面的方式封装: 人{ 年龄(属性一) 身高(属性二) 性别(属性三) 做事(行为之一) 走路(行为之二) 说话(行为之三) } 继承: 由于封装,使得有共同特征的一类事物的所有描述
从RJPG到温度地图：基于大疆TSDK的热红外数据精准处理与Pix4D拼接实战
本文详细解析了如何利用大疆TSDK将无人机拍摄的热红外RJPG图像精准转换为带有地理坐标的温度TIFF文件，并完成Pix4D拼接生成正射温度地图的全流程。文章重点阐述了辐射定标的原理、TSDK关键参数（测量距离、湿度、发射率、反射温度）的设置与微调方法，以及Pix4D处理中的常见报错解决方案，旨在帮助用户实现从原始数据到可分析温度地图的精准处理。
面向对象的理解
一. 面向过程和面向对象的区别 面向过程 面向对象 面向对象的特点：继承、多态、封装 面向过程和面向对象的对比 优点 缺点 应用 面向对象 易维护、易复用、易扩展，由于面向对象有封装、继承、多态性的特性,可以设计出低耦合的系统，使系统更加灵活、更加易于维护 性能比面向过程低 适合程序复杂、多人合作 面向过程（按步骤） 性能比面向对象高,适合跟硬件联系很紧密的...
保研考研机试攻略：python笔记（4）
保研考研机试攻略：python笔记（4）二分法+最大公约数+最小公倍数+素数判断+幂次方mod方法+匹配问题+哈希算法+哈夫曼编码+二叉树
【SpringBoot 3.x 第57节】Spring Boot 3 启动快得不讲武德？揭秘 Spring AOT 编译引擎背后的真相！
🏆本文收录于《滚雪球学SpringBoot 3》，专门攻坚指数提升，本年度国内最系统+最专业+最详细（永久更新）。 本专栏致力打造最硬核 SpringBoot3 从零基础到进阶系列学习内容，🚀均为全网独家首发，打造精品专栏，专栏持续更新中…欢迎大家订阅持续学习。 如果想快速定位学习，可以看这篇【SpringBoot3教程导航帖】，你想学习的都被收集在内，快速投入学习！！两不误。 若还想学习更多，可直接前往《滚雪球学SpringBoot(全版本合集)》，涵盖SpringBoot所有版本教学文章
面向过程和面向对象的区别--【形象比喻说明】
面向过程和面向对象的形象比喻！！（看完必懂） 面向过程和面向对象的区别 初学编程语言，我们知道：C语言是面向过程的，C++是一半面向过程，一半面向对象，java是面向对象的，那么”面向对象“和”面向过程“这两个概念的根本区别是啥呢？ ...
12、认知地图的建模与学习
本博客系统介绍了认知地图的定义、背景及其在机器智能领域的应用，重点探讨了模糊认知地图（FCMs）的建模方法与优势。文章还对比分析了几种主流的认知地图模型（如Axelrod模型、Kosko模型等），并讨论了模型的稳定性条件及实际应用前景。通过智能制造和医疗诊断的具体案例，展示了认知地图在复杂因果推理中的强大能力，并提出了模型优化方向与未来研究展望。
Java面向对象笔记 • 【第4章 抽象类和接口】
全部章节 >>>> 本章目录 4.1 抽象类 4.1.1 抽象方法和抽象类 4.1.2 抽象类的作用 4.1.3 实践练习 4.2 final修饰符 4.2.1 final成员变量 4.2.2 final局部变量 4.2.3 final方法 4.2.4 final类 4.2.5 实践练习 4.3 接口 4.3.1 接口的定义 4.3.2 接口的实现 4.3.3 抽象类和接口的区别 4.3.4 实践练习 4.4 接口编程案例 4.4.1 接口编程..
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
OV9734 DATASHEET，完整规格书
OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等
【Java SE】抽象类和接口
【Java SE】抽象类和接口
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');```[](https://bitdeli.com/free "Bitdeli Badge")
【Java】抽象类和接口
本博客结合具体代码，带大家认识Java当中的抽象类和接口。
c++中抽象类和接口
1. 抽象类 在面向对象编程中，抽象类是一种只能定义类型，不能生成对象的类，它是对一系列看上去不同，但是本质相同的具体概念的抽象。最典型的的抽象类就是”图形”，三角形、矩形、梯形都是图形，它们都具有边长、面积属性，”图形”类是对这系列的抽象。 程序设计中，我们可以定义一个表征图形的类，然后具体图形继承该类。图形类，即基类定义如下：class Shape { public: double ar
继承和接口的区别，抽象类和接口的区别
文章目录1. 继承和接口的区别1.1 面向对象的角度1.2 继承和接口使用上的区别示例2. 抽象类和接口之间的区别2.1 什么是抽象类和接口2.2 特点与区别抽象类的特点接口的特点区别参考链接 主要需要解决的问题： 继承和接口的区别 抽象类和接口之间的区别？ 什么时候创建抽象类？什么时候创建接口？ 设计框架时该如何选择？ 1. 继承和接口的区别 继承不需重载所有方法，接口必须实现所有方法...
Java【抽象类和接口】是什么？
记录学习过程——Java【抽象类和接口】
Java抽象类和接口
Java抽象类和接口
面向对象编程之—抽象类和接口
1.抽象类 2.接口：比较接口、clone接口、深浅拷贝 3.模板设计模式 4.关于接口的代理设计模式
Java中的抽象类和接口
abstract可以用来修饰类和方法，不能用来修饰属性和构造方法。final可以用来修饰类、方法和属性，不能修饰构造方法。Java提供的很多类都是final类，如String类、Math类，它们不能再有子类。Object类中的一些方法，如getClass()、notify()、wait()都是final方法，只能被子类继承而不能被重写，但是hashCode()、toString()、equals(Object obj)不是final方法，可以被重写。
Java面向对象那些事之抽象类、接口
本文主要介绍Java面向对象的两个重要内容——抽象类和接口，感兴趣或者正在学抽象类和接口的小伙伴们进来看看吧，绝不会让你失望！
抽象类和接口
学习内容 抽象类（abstract） 在面向对象的概念中，所有的对象都是通过类来描绘的，但是反过来，并不是所有的类都是用来描绘对象的，如果一个类中没有包含足够的信息来描绘一个具体的对象，这样的类就是抽象类。 抽象类除了不能实例化对象之外，类的其它功能依然存在，成员变量、成员方法和构造方法的访问方式和普通类一样。 由于抽象类不能实例化对象，所以抽象类必须被继承，才能被使用。也是因为这个原...
抽象类和接口的区别以及抽象类和接口的使用场景
一、抽象类 在面向对象的概念中，所有的对象都是通过类来描绘的，但是反过来，并不是所有的类都是用来描绘对象的，如果一个类中没有包含足够的信息来描绘一个具体的对象，这样的类就可以称之为抽象类。 1.抽象方法：使用abstract修饰且没有方法体的方法。 特点： ① 抽象方法没有方法体，交给子类实现 ② 抽象方法修饰符不能是private final static ③ 抽象方法必须定义在抽象类或者接口中...
面向对象中接口和抽象类的区别及应用场景?
【代码】面向对象中接口和抽象类的区别及应用场景?
面向对象、接口/抽象类
面向对象 主要内容 对象和类 重写/重载 继承 多态 封装 接口/抽象类 学习目标 理解类与对象概念 理解对象销毁机制 理解重写与重载的区别 理解面向对象程序设计基本原则 掌握面向对象三大特性 理解接口和抽象类的区别 一、对象 1.1 对象与类 ”万物皆可对象。“ 对象：对象是类的一个实例，具有自己的状态与行为。 类：类是一个模板，是对对象的行为与状态的一种抽象描述。 例如： 动物是一个类，而狗则是类的一个对象。 它的状态有：名字、品种、颜色，行为有：叫、摇尾巴和跑… 在软件开发中，状态
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
428
扫一扫
