深拷贝和浅拷贝的区别

区别主要在于 深拷贝意味着当B复制了A的时候,如果修改A,B也跟着改变的话,那就是深拷贝;如果B没有跟着改变的话,那就是浅拷贝。

这就相当于当你使用JS的基本类型时,A和B的名和值都是存在栈内存里的,A在栈内存的存放方式相当于  A(name);  1(value);如果B复制A的话,就相当于添加一行新的内存在栈里,即在A的下面添加 B(name);  1(value);所以他们之间互不影响,就是浅拷贝。

当使用对象的时候,A和B的名是存在栈内存里的,同时还存了一个对应的堆地址在栈里用来指向堆内存的值。

A在栈内存的存放方式相当于      A(name):val的堆地址;

所以B复制A的时候,B相当于  B(name):val的堆地址;

同时A的值是存放在在堆内存里面的,存放方式为   1(value);

所以可知,不管堆内存的值怎样变化,栈中对应的地址都不会变,所以当A的值改变时,B的值也会改变,这是浅拷贝。

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
### 深拷贝浅拷贝的概念 在 Python 中,深拷贝(Deep Copy)浅拷贝(Shallow Copy)用于创建对象的副本。两者的主要区别在于如何处理嵌套对象以及这些对象之间的关系。 #### 浅拷贝(Shallow Copy) 浅拷贝复制顶层容器的内容,而不会递归地复制内部对象。这意味着如果原对象包含其他可变对象作为其成员,则新对象中的对应成员仍然是原始成员的引用[^1]。因此,在修改嵌套对象时,会影响两个对象的状态。 以下是浅拷贝的一个例子: ```python import copy a = [1, 2, [3, 4]] b = copy.copy(a) # 创建浅拷贝 print(id(a)) # 原始对象ID print(id(b)) # 复制后的对象ID print(id(a[2])) # 嵌套子对象ID print(id(b[2])) # 子对象仍共享同一引用 ``` 可以看到 `a` `b` 是不同的对象,但由于浅拷贝的原因,`a[2]` `b[2]` 实际上指向同一个列表实例[^3]。 --- #### 深拷贝(Deep Copy) 深拷贝不仅复制顶层容器本身,还会递归地复制所有嵌套的对象。这使得源对象与其副本完全独立,即使其中一个对象被修改也不会影响另一个对象[^2]。 下面是一个深拷贝的例子: ```python import copy a = [1, 2, [3, 4]] c = copy.deepcopy(a) # 创建深拷贝 print(id(a)) # 原始对象ID print(id(c)) # 完全新的对象ID print(id(a[2])) # 嵌套子对象ID print(id(c[2])) # 新的嵌套子对象ID ``` 通过观察可以发现,无论是外层还是内层对象,`a` `c` 都不再有任何关联。任何一方的变化都不会波及另一方。 --- ### 性能对比 由于深拷贝涉及更多的资源消耗(因为它需要逐级复制整个结构),所以它的执行效率通常低于浅拷贝。然而,这种额外开销换来的是更高的安全性,特别是在复杂数据结构的操作场景下[^2]。 --- ### 使用建议 - 如果目标只是简单的一维数组或者不可变类型的数据,可以直接赋值或采用浅拷贝即可满足需求。 - 对于复杂的、多层次的数据结构,尤其是那些可能包含大量可变元素的情况,推荐使用深拷贝来避免意外状态同步问题。 ---
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