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
300+累计阅读
393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
基本技能
1.接口，抽象类
2.继承，多态
3.继承到需要组合的类中的方法就是在目标类声明源类的引用，然后创建一个方法，其参数是目标类，通过调用这个方法则组合成功。
模式设计原则：
针对接口编程
将相同的部分封装起来，是不变的。将可变的部分进一步细化，做成不同的接口，然后在底层实现这个组件的功能，可以独立测试和发布，也可以作为一个功能性的组件整合到其他系统中去。
工厂模式 可以不使用，随时随地的new,而统一通过方法去new对象
单态模式可以保证在系统中只有一个实例，注意线程的安全性。
观察者模式
面向对象方法学考试实战练习题精选
面向对象设计模式是一套被反复使用、多数人知晓、经过分类编目、代码设计经验的总结。使用设计模式是为了可重用代码、让代码更容易被他人理解、保证代码可靠性。设计模式通常不是直接用来完成软件设计，而是用来解决特定问题的一般性指导原则。在本章中，我们将深入探讨创建型模式、结构型模式和行为型模式。在确定了类的结构后，我们需要定义类之间的关系，主要的关系类型包括关联（Association）、聚合（Aggregation）、组合（Composition）和继承（Inheritance）。
面向对象的工具
OOP的魔术方法 PHP通过类和方法等语言结构支持面向对象的编程。同时也通过对象相关的函数和内置类为面向对象提供广泛支持 __autoload()自动加载类方法 常规引入类文件的问题 1.如果要包含多个类文件，是不是全都引入？ 2.引入多个类文件，如果有些用不到，就会产生浪费 3.引入了类文件，可能会遗漏，比如说，创建一个对象，而这个对象的类文件没有导入。就会产生错误 PHP引入...
使用openair包分析气象数据
气象数据通常是有规律的时间序列，分析气象数据时需要对空气质量测量、气象数据和扩散模型输出进行分析。openair 是用于分析空气质量数据或更广泛的大气成分数据的R软件包。该软件包广泛应用于学术界、公共和私营部门。该项目最初由英国自然环境研究委员会（NERC）资助，并由英国环境部（Defra）提供额外资金。
第19章 面向对象的工具
computer.class.php <?php class Computer { public $_name = 'dell'; public function _run() { echo '运行'; } } ?> person.class.php <?php class Person { public $_name...
生信实战|EffectorP3.0在植物病原菌效应子预测中的高效应用
本文详细介绍了EffectorP 3.0在植物病原菌效应子预测中的高效应用。通过机器学习模型，该工具能快速从海量分泌蛋白中批量预测胞质与质外体效应子，显著提升研究效率。文章提供了从环境配置、RNA-seq数据处理到批量预测的完整实战流程，并分享了结果解读与避坑指南，是生信研究人员进行病原物效应子鉴定的必备利器。
三维Copula建模进阶：从对称、嵌套到Pair-Copula（C-Vine/D-Vine）到底怎么选？
本文深入探讨三维Copula建模的进阶策略，包括对称Archimedean、嵌套结构和Vine Copula（C-Vine/D-Vine）的选择方法。通过对比数学特性、计算复杂度和实际应用案例，提供了一套针对金融风险分析等场景的决策框架，帮助分析师根据数据特征选择最优模型。
面向对象设计UML常用工具比较和品评
面向对象设计中，少不了UML建模工具相信大家有所了解。 那么你对UML建模工具Visio 、Rational Rose、PowerDesign、Enterprise Architect等工具比较之间的区别和联系是否了解，这里就像大家简单介绍一下。 1）IBM Rational Rose （ROSE） Rational Rose是Rational公司出品的一种面向对象的统一建模语言
孤读paper——《GhostNet：More Features from Cheap Operations》
《GhostNet：More Features from Cheap Operations》 发现一个点并解决就是一篇CVPR，该文章主要发现了优秀的网络的特点是feature map提取过程中的冗余性，这种冗余性体现在很多成对的feature map间很像，就好像彼此的“ghost”，而这种特征冗余性对于理解图像来说还是必要的，所以文章把feature map分为两种，一种是本质特征，一...
面向对象技术——UML基础
看UML视频的时候，主讲的老师说面向对象技术是学习UML的思想理论基础，我一开始特别不明白，一个画图一个技术，为什么联系如此紧密哪？随着UML视频一集集的欣赏，才知道UML就是为了面向对象技术实现可视化而出现的，UML为了让人们用图标清晰的理解面向对象技术到底是什么。既然面向对象技术是UML的理论指导，于是我决定先对面向对象技术做一个大概的总结，为了自己理解UML打下一个坚实的基础。
CasADi - 最优控制开源 Python/MATLAB 库
CasADi 是一款开源软件工具，用于数值优化，特别是最优控制（即涉及微分方程的优化）。该项目由 Joel Andersson 和 Joris Gillis 在鲁汶工程大学工程优化中心 (OPTEC) 在读博士生在 Moritz Diehl 的指导下发起。本文档旨在简要介绍 CasADi。
公文流转系统
公文录入区 | QLineEdit（文号/标题）、QComboBox（公文类型/紧急程度）、QTextEdit（正文）、QListWidget（附件列表）、QPushButton（上传附件/保存草稿/提交审批） |// 按时间范围获取。QStringList userNames = {"张三", "李四", "王五", "赵六", "钱七", "孙八", "周九", "吴十", "郑十一", "王十二"};
如何成为一名优秀的数据库开发专家
五年来,一直从事数据库开发和数据处理软件的研究,也曾经做过电厂的MIS系统的开发.这里谈谈如何让自己成为一名优秀的数据库开发专家.我一直记得一句话:"得数据库者得天下".那么如何让自己成为这一领域的专家呢?首先,你必须要不断学习以下知识1 数据库开发首先要学习数据库开发理论,这是最基础的知识.然后理论联系实际.选择一个桌面版的DBMS,选择一个中大型的DBMS.桌面版我个人建议VF,Access.
手把手带你实现DAF-Net：零代码基础入门红外与可见光图像融合（从理论到实战）
本文介绍了红外与可见光图像融合技术及DAF-Net网络的应用。红外图像能捕捉热源但缺乏细节，可见光图像纹理丰富但在低光环境下表现不佳。DAF-Net采用双分支特征提取和动态注意力融合架构，能智能分配特征权重实现优势互补。文章详细讲解了环境配置、数据集准备（如TNO数据集）和预处理方法，并提供了DAF-Net的核心代码实现，包括特征提取、注意力融合和图像重建模块。通过该技术可在安防、自动驾驶等领域获得更优质的融合图像，提升视觉感知能力。
E3、面向对象设计原则实训
在面向对象的设计里面，可维护性复用都是以面向对象设计原则为基础的，这些设计原则首先都是复用的原则，遵循这些设计原则可以有效地提高系统的复用性，同时提高系统的可维护性。设计原则的应用：在实验中，我尝试将依赖倒转原则和合成复用原则应用到画笔类的重构中。这个过程让我认识到了设计原则在解决实际问题中的应用价值，也让我意识到了在设计初期就考虑这些原则的重要性。继承与组合的选择：在分析正方形和长方形的关系时，我重新思考了继承和组合的使用场景。开闭原则的重要性：在图形库API的重构中，我体会到了开闭原则的核心价值。
基于Python的二手奢侈品电商平台商品保值率数据爬取与分析
本文旨在探讨如何利用Python网络爬虫技术获取二手奢侈品电商平台商品数据，并通过数据分析研究奢侈品的保值率特性。研究将使用最新的爬虫技术（包括Playwright、异步处理和数据清洗技术）来高效获取数据，并利用Pandas、Matplotlib等数据分析库进行深入的数据可视化分析。本文详细介绍了爬虫的设计思路、实现过程以及数据分析方法，为奢侈品投资和消费提供数据参考。关键词：Python爬虫、奢侈品保值率、数据分析、Playwright、异步处理。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
软件测试的技术要求
测试工具：熟悉常用测试工具，如Selenium WebDriver、Appium、JMeter、LoadRunner等，以及各种断言和测试框架。沟通能力：良好的沟通能力，能够与开发人员、产品经理等其他团队成员进行有效的合作，及时反馈问题和进度。编程语言：掌握至少一门编程语言，如Java、Python、C#等，以编写自动化测试脚本。操作系统和网络知识：了解操作系统、网络协议等基础知识，能够排除软件在不同环境下的问题。测试理论：了解测试的基础理论、测试方法、测试流程和测试策略等知识。
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")
面向对象第三单元博客作业
面向对象第三单元博客作业 前言 第三单元较前两个单元相比，侧重点更偏向于实现而不是设计。与前两单元通过阅读指导书要求，设计一个相对完整的架构不同，在第三单元中，我们只需要针对给出的接口的规格，去实现相应的功能即可，代码量与任务难度都有明显的降低。 此外，第三单元的几次作业中，从PathContainer、Graph到RailwaySystem，每一个要实现的接口都继承了前一个，这极佳的体现了面向对...
华为的C语言编程规范.pdf
华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。
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。
面向对象第三单元总结
面向对象第三单元 前言 第三单元作业中，我们以JML为建模语言，实现对应接口，完成一个简单的地铁寻路系统的开发。本单元的代码量的确减少了很多，这主要是因为程序框架已经在提供的包中实现，我们只需要实现相关的代码，“有章可循”。测试也变得相对容易了起来。 JML的理论基础和工具链 在接触JML以前，笔者也接触过其他形式建模方法，最典型的就是UML语言。这一语言有很多优点：多样，直观，简化。但有时会比较...
面向对象编程的理论基石：从达赫-尼高奖看类型系统与移动计算
面向对象编程是现代软件开发的基石，其核心在于通过封装、继承和多态等机制管理复杂性。类型系统作为编程语言的理论基础，通过严格的数学逻辑确保代码的安全性与可靠性，例如泛型编程中的受限量化技术，为Java和C#等语言的类型安全提供了理论支撑。在工程实践中，这些理论不仅保障了大型系统的稳定性，还衍生出对分布式移动计算的形式化建模，如Ambient演算为网络环境下的代码移动与资源控制提供了抽象框架。本文通过达赫-尼高奖得主卡德利的贡献，探讨了对象类型理论如何从理论走向实践，并最终影响系统生物学等跨界领域，展现了扎实的
面向对象的程序设计-地铁路线计算程序的设计、优化与测试
面向对象的程序设计(2019)第三单元总结 IJML 语言相关情况 在这次实验中，我们首次接触到了 JML 语言。初见，这个语言将设计时的架构设计和具体实现时的技术细节分离开，使得在不同阶段的任务更加明确，显著降低了出错的概率。 AJML 语言的理论基础 JML 是 Java 模块的一种行为接口规格语言(Behavior Interface Specification Lan...
系统设计的一般方法
程序员需要掌握的项目实践知识 • 软件工程理论 • 质量体系：ISO9001和CMM体系 • UML基本理论 • 测试理论和测试工具使用 • 加密理论和加密方法 • 源代码控制工具使用 • 说明书编写 • 程序的安装和部署 面向对象的设计方法 • 模块化：需要划分成不同的模块来完成。 • 角色化：需要分别从不同的用户的角度出发去 考虑其工作流程。 • 流程化...
面向对象第三单元感想
面向对象第三单元感想 前言 这一单元并没能开一个比较好的头，导致之后的工作搁置并且未能完成，三次作业全军覆灭。第一次作业丝毫不了解JML，在实现规格要求的时侯没能正确理解规格的要求。在逐渐熟悉JML的过程中，之后的两次作业所分配的时间都用来填补第一次作业的坑了，第二次作业也仅完成大半。这种脱节式的学习带来的不好的影响就是没有明确的时间观念，而且期间会产生落差感，希望下一单元作业不要再出现这种状...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
909
扫一扫
