类与对象

1,类与对象的关系

类是对象的载体,每一个对象都有相应的类,对象是类抽象出来的实例

 

2,什么是类

类是对同一类事物的统称,类是构造对象所依赖的规范,类是世间万物的抽象的称呼,而对象就是这个事物想对应的实体

 

3,面对对象的三大特性

封装:将对象的属性和行为封装起来,其类是载体,类对客户隐藏了实现的细节,客户只需用类提供的接口使用类,不需要知道其中实现的细节

 

继承:减少代码量,减少错误发生的概率

 

多态:多态性允许以统一的风格编写程序,多态的实现不依赖与具体的类,依赖与接口和抽象类

 

 

4,this关键字

This关键字代表本类对象的引用

作用,1,当成员变量和局部变量同名时,指明引用的是成员变量,

2,当方法的返回值,

3,在无参构造中使用this关键字调用有参构造(只能在无参构造的第一句使用

 

 

5,静态变量,常量和方法

作用,共享数据

限制,静态成员同样遵循publicprivate,和protected的约束

注意,静态方法中,不可以使用this关键字,

      静态方法中不可以直接调用非静态的方法

技巧,静态代码块的执行速度比构造方法更快,平且只会被执行一次

 

 

6,对象

6.1,什么是对象?

对象可以认为是在一类事物中抽象出某一个特例,可以通过这个特例来处理这类事物的问题

 

6.2,怎么创建对象?

new操作符调用构造方法创建对象

 

 

6.3,对象与对象的引用的区别?

尽管一切皆对象,但操作对象的是对象的引用,可以将一个对象赋值给两个引用,这样操纵任何一个引用就可以改变另一个引用;

 

 

 

6.4,对象的比较

equals比较的是两个对象的引用所指的内容是否相等

==    比较的是两个对象引用的地址是否相等

基于Swin TransformerASPP模块的图像分系统设计实现 本文介绍了一种结合Swin Transformer空洞空间金字塔池化(ASPP)模块的高效图像分系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示负号渲染 实验表明,该系统在224×224分辨率图像分任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分的场景。未来可通过轻量化改造进一步优化推理速度。
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