首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

为什么特征实现不能针对结构进行编译,而会针对结构的引用进行编译?

特征实现不能针对结构进行编译,而会针对结构的引用进行编译的原因是因为特征实现是一种基于接口的编程方式,它通过定义接口来描述一组相关的行为,而不关心具体的数据结构。这种设计思想使得代码更加灵活、可扩展,并且能够实现代码的复用。

当我们针对结构进行编译时,意味着我们要依赖具体的数据结构来实现特定的功能,这样会导致代码的耦合性增加,一旦数据结构发生变化,就需要修改大量的代码。而且,如果我们想要在不同的数据结构上实现相同的功能,就需要重复编写相似的代码,增加了代码的冗余性。

相反,针对结构的引用进行编译可以实现代码的解耦。通过针对结构的引用进行编译,我们可以将特征实现与具体的数据结构分离开来,使得它们可以独立地进行开发和演化。这样,当我们需要在不同的数据结构上实现相同的功能时,只需要实现相应的接口即可,而不需要修改已有的代码。同时,这也使得代码更加可读性和可维护性。

总结起来,特征实现不能针对结构进行编译,而会针对结构的引用进行编译的原因是为了实现代码的灵活性、可扩展性和解耦性。

页面内容是否对你有帮助?
有帮助
没帮助

相关·内容

超强指南!推荐算法架构——重排

导语 | 重排技术细节非常多,一定要清楚技术架构大图,从而将细节串联起来。实际上主要是为了解决三大方面的问题:用户体验、算法效率、流量调控。 在上篇《图文解读:推荐算法架构——精排!》中我们结合算法架构精排进行解读分析,本篇将深入重排这部分进行阐述。 一、总体架构 精排打分完成后,就到了重排阶段,之后可能还会有混排。召回、精排、重排三个模块中,重排离最终的用户展现最近,所以也十分关键。重排的技术点也十分多,总结下来,个人认为重排主要是为了解决三大方面的问题:用户体验、算法效率、流量调控。下图是重排总体架构:

06

联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断

传统的精神分裂症(SZ)诊断往往采用问卷调查的方式进行,医生会依据一定的标准(如DSM-5)询问患者一系列问题,以此来判定患者是否符合SZ的标准。但是这种传统的诊断方式往往具有一定的主观性,如患者可能会隐藏或可以回避一些问题,使得诊断出现一定的偏差。因此,研究者一直致力于寻找客观、定量的方法来实现SZ的分类和诊断。研究者采用EEG/ERP技术发现,SZ患者在某些任务中的ERP成分、功能连接或某些频段的振荡活动等都会出现异常。一些研究者尝试把上述EEG的标志物与机器学习结合起来,实现SZ的诊断和分类。比如说,有研究者利用Oddball任务诱发的ERP成分的幅值作为特征值,实现了SZ高达79%的诊断正确率。但是,上述这些研究都是利用电极水平(sensor-level)的特征来进行分类,而利用溯源水平(source-level)特征来对SZ进行机器学习诊断的研究似乎还很少。本次,笔者在这里分享一篇题目为《Machine-learning-based diagnosis of schizophrenia using combined sensor-level and source-level EEG features》的研究论文,该论文发表于Schizophrenia Research杂志,其联合使用EEG电极和溯源空间特征实现精神分裂症的机器学习诊断。 材料与方法 1.被试。从医院募集34个SZ患者和34个健康人,被试的临床资料如表1所示。

00

日立推出基于人工智能的人物实时跟踪与监测系统

据科技媒体网站2017年3月27日报道,日立宣布开发出一种新的图像分析系统,利用人工智能对人物进行实时跟踪和监测。人工智能通过结合100多个外部特征实时检测到个人,然后使用广域安全和监视系统跟踪他。 已有捕捉面部图像和服装颜色的系统安装在公共区域了,但据日立,安保人员很难根据目击者描述或不佳的监控摄像画面找到并跟踪一个人。日立研究人员开发的新图像分析系统,由于采用了人工智能技术而更为智能。日立表示使用其技术,将有可能监测到可疑人物或走丢的孩子,利用目击者描述的信息,找到符合安装在大型设施或城市地区的公共安全

010
领券